【G検定過去問風テスト】XAIの分類軸：モデル非依存とモデル依存
※本記事では、アフィリエイトプログラムより教材を紹介しています。
📝 問題
AIモデルの説明手法における適用範囲の分類軸である「モデル非依存（Model-agnostic）」と「モデル依存（Model-specific）」に関する記述として、最も適切な選択肢を1つ選べ。
- A）モデル非依存の手法は特定のディープラーニングの構造にしか適用できず、決定木やランダムフォレストなどのアルゴリズムには利用できない
- B）モデル依存の手法はAIモデルの中身を一切問わず、あらゆるアルゴリズムに対して共通して利用することができる
- C）モデル非依存の手法はAIモデルの中身に関係なく共通して利用でき、モデル依存の手法は特定のモデル構造や勾配情報などに依存して利用される
- D）Grad-CAMはモデル非依存の手法に該当し、LIMEは特定のモデル構造に強く依存するモデル依存の手法に該当する
🔍 ここをクリックして正解を見る
- 正解: C）モデル非依存の手法はAIモデルの中身に関係なく共通して利用でき、モデル依存の手法は特定のモデル構造や勾配情報などに依存して利用される
💡 合格に近づく！徹底解説
- 重要度: ★★★
■ 1分で分かる！この問題の要点
- 「モデル非依存（Model-agnostic）」は、SVMや決定木、ディープラーニングなどどんなアルゴリズムにも共通して使える万能な説明手法（例：LIME, SHAP）
- 「モデル依存（Model-specific）」は、CNNの勾配など特定のモデル構造に特化している説明手法（例：Grad-CAM）
■ 初学者向け解説（例え話や背景）
説明手法を選ぶとき、「どんな道具でも使える万能レンチ」なのか「特定のネジにしか合わない専用ドライバー」なのかという違いを知っておくことが大切です。
- モデル非依存（Agnostic）： 「どんな種類の車（AIモデル）であっても、ボンネットを開けずに外側から走り方を分析できる汎用テスター」のようなものです。中身の仕組み（エンジンが何式かなど）を問わないため、LIMEやSHAPのように幅広く使えます。
- モデル依存（Specific）： 「特定の車種専用に設計された、内部の配線を直接読み取る専用スキャナー」のようなものです。Grad-CAMがまさにこれで、CNN（畳み込みニューラルネットワーク）の勾配という内部構造を直接利用するため、他の構造のモデルにはそのまま使えません。
G検定ではこの2つの言葉の組み合わせや具体例がよく入れ替えて出題されるため、それぞれの代表例（LIME/SHAPは非依存、Grad-CAMは依存）をセットで覚えておきましょう！
■ 選択肢の解説
- A) モデル非依存の手法は特定のディープラーニングの構造にしか適用できず、決定木やランダムフォレストなどのアルゴリズムには利用できない（×）: 記述が完全に逆です。非依存はあらゆるモデルに共通して利用できます。
- B) モデル依存の手法はAIモデルの中身を一切問わず、あらゆるアルゴリズムに対して共通して利用することができる（×）: これも記述が逆であり、中身を問わず共通して使えるのは「非依存」の手法です。
- C) モデル非依存の手法はAIモデルの中身に関係なく共通して利用でき、モデル依存の手法は特定のモデル構造や勾配情報などに依存して利用される（○）: それぞれの定義と特徴を正確に表しています。
- D) Grad-CAMはモデル非依存の手法に該当し、LIMEは特定のモデル構造に強く依存するモデル依存の手法に該当する（×）: 適用関係が逆になっています（Grad-CAMはモデル依存、LIMEはモデル非依存）。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
