ELMoの文脈化表現
問題
ELMoの特徴について、正しい記述を1つ選べ。
解説
ELMo（Embeddings from Language Models）は、文脈によって単語のベクトル（意味）を動的に変化させる「文脈化単語埋め込み」を実現した画期的なモデルです。
従来のWord2Vec等では「銀行」という単語は金融機関でも土手でも常に同じベクトルでしたが、ELMoは双方向LSTM（BiLSTM）を用いて文全体を読み込み、「金融機関の銀行」と「土手の銀行」で異なるベクトルを割り当てます。
自然言語処理における「多義語」の問題を解決しました。
1. ELMoは単語ごとに固定のベクトルを割り当てる。
誤り：Word2Vecなどの従来手法は単語ごとに固定のベクトルを割り当てますが、ELMoは文脈によって同じ単語でも異なるベクトルを動的に割り当てます。
2. ELMoはLSTM（BiLSTM）を用いて文脈化表現を得る。
正しい：ELMoは、順方向と逆方向の2つのLSTM（BiLSTM：双方向LSTM）を組み合わせて事前学習し、文脈に応じた単語の表現を獲得します。
3. ELMoはTransformerベースのモデルである。
誤り：ELMoはLSTM（BiLSTM）をベースとしています。Transformerベースで文脈化表現を獲得するのはBERTなどです。
4. ELMoは単語の順序を無視する。
誤り：ELMoはRNNの一種であるLSTMを使用しているため、系列データとして単語の出現順序を考慮して学習します。
📚 より詳細を学びたい方へ
同じカテゴリの問題
- tanh関数の理解
- 勾配消失問題と活性化関数の関係
- エポック（Epoch）とイテレーションの理解
- 鞍点（Saddle Point）の理解
- ストライド（stride）の理解
- BPTTの理解
- 位置エンコーディングの理解
- MixupおよびCutMixの理解
- 物体識別と物体検出の違い
- セマンティックセグメンテーションの特徴
- インスタンスセグメンテーションの理解
- パノプティックセグメンテーションの特徴
- 姿勢推定（Pose Estimation）の理解
- AlexNetの特徴
- GoogLeNet（Inception）の理解
- VGGの構造的特徴
- ResNetの残差学習の理解
- Wide ResNetの特徴
- DenseNetの密結合構造
- EfficientNetとMobileNetの理解
- NAS（ニューラルアーキテクチャ探索）の特徴
- MnasNetの探索戦略
- NASNetのセル構造
- SENet（Squeeze-and-Excitation Network）の理解
- Vision Transformer（ViT）の特徴
- Fast R-CNNの処理構造
- Faster R-CNNのRPN
- Mask R-CNNの追加機能
- SSD（Single Shot MultiBox Detector）の特徴
- YOLO（You Only Look Once）の特徴
- FPN（Feature Pyramid Network）の理解
- FCN（Fully Convolutional Network）の特徴
- OpenPoseとPart Affinity Fields
- BERTの事前学習タスク
- Bag-of-Words（BoW）の特徴
- word2vecの理解
- fastTextのサブワード学習
- CBOW（Continuous Bag-of-Words）の特徴
- skip-gramの特徴
- CEC（Constant Error Carousel）の役割
- ELMoの文脈化表現
- GPTモデルの学習方式
- PaLMの理解
- Seq2Seqモデルの構造
- TF-IDFの重要度計算
- 形態素解析の役割
- 構文解析の目的
- 感情分析の特徴
- 文書要約の種類
- A-D変換（アナログ-デジタル変換）のプロセス
- WaveNetの特徴
- 音韻の理解
- 音声認識の基本
- 音素の理解
- 隠れマルコフモデル（HMM）の特徴
- 高速フーリエ変換（FFT）の理解
- スペクトル包絡の特徴
- PCM（パルス符号変調）の理解
- MFCC（メル周波数ケプストラム係数）の特徴
- CTC（Connectionist Temporal Classification）の理解
- A3C（Asynchronous Advantage Actor-Critic）の特徴
- Agent57の特徴
- APE-Xの理解
- DQN（Deep Q-Network）の理解
- Double DQNの理解
- Dueling Networkの特徴
- PPO（Proximal Policy Optimization）の理解
- OpenAI Fiveの特徴
- AlphaStarの理解
- sim2realの課題
- ドメインランダマイゼーションの理解
- ノイジーネットワークの特徴
- 報酬成形（Reward Shaping）の理解
- GAN（敵対的生成ネットワーク）の理解
- DCGANの特徴
- Diffusion Modelの理解
- NeRF（Neural Radiance Fields）の特徴
- Pix2Pixの理解
- CycleGANの特徴
- StyleGANの理解
- データ生成タスクの応用
- 転移学習の基本概念
- ファインチューニングの特徴
- Few-shot / One-shot 学習の理解
- 自己教師あり学習の役割
- 破壊的忘却（Catastrophic Forgetting）
- 半教師あり学習の特徴
- マルチモーダルAIの基本理解
- CLIPの特徴理解
- DALL-Eの役割
- Visual Question Answeringの理解
- zero-shot推論の理解
- マルチタスク学習の特徴
- CAMの特徴に関する問題
- Grad-CAMの理解
- LIMEの特徴
- SHAPの特徴理解
- 知識蒸留の理解
- プルーニングの理解
- 量子化の理解
- 説明可能AI（XAI）の理解