2025年人工智能测试题及答案.docxVIP

2025年人工智能测试题及答案

一、单项选择题（每题2分，共20分）

1.以下哪种机器学习算法属于无监督学习？

A.逻辑回归

B.K-means聚类

C.随机森林

D.支持向量机（SVM）

答案：B

解析：无监督学习不依赖标注数据，K-means通过数据自身特征聚类，属于无监督；其余选项均需标注数据训练，为监督学习。

2.在深度学习中，ReLU激活函数的主要优点是？

A.解决梯度消失问题

B.增强模型非线性表达能力

C.降低计算复杂度

D.避免过拟合

答案：A

解析：ReLU（修正线性单元）在输入大于0时梯度为1，避免了Sigmoid/tanh在输入较大或较小时梯度趋近于0的“梯度消失”问题；增强非线性是所有激活函数的共性，非主要优点。

3.Transformer模型中，自注意力（Self-Attention）机制的核心作用是？

A.捕获序列中长距离依赖关系

B.减少模型参数量

C.加速前向传播速度

D.增强局部特征提取能力

答案：A

解析：传统RNN通过顺序计算捕获依赖，但长序列会导致信息衰减；自注意力通过查询-键-值（Q-K-V）计算全局相关性，直接建模任意位置的依赖关系。

4.以下哪项不属于多模态大模型的典型应用场景？

A.图文生成（给定文本生成图像）

B.视频-文本跨模态检索

C.单模态情感分析（仅文本）

D.多语言多模态对话系统

答案：C

解析：多模态大模型需处理两种及以上模态数据（如图像、文本、语音），单模态情感分析仅涉及文本，不属于多模态场景。

5.在计算机视觉任务中，YOLO（YouOnlyLookOnce）算法的核心特点是？

A.两阶段目标检测（先候选区域再分类）

B.端到端单阶段检测（直接输出边界框和类别）

C.基于区域卷积网络（R-CNN）改进

D.专注于小目标高精度检测

答案：B

解析：YOLO将目标检测视为回归问题，通过单个网络直接预测边界框和类别，属于单阶段检测；两阶段以FasterR-CNN为代表。

6.以下哪种技术可有效缓解AI模型的“对抗样本”攻击？

A.数据增强（DataAugmentation）

B.对抗训练（AdversarialTraining）

C.模型剪枝（ModelPruning）

D.知识蒸馏（KnowledgeDistillation）

答案：B

解析：对抗训练通过在训练数据中加入对抗样本（微小扰动导致模型误判的样本），使模型学习鲁棒特征，直接提升对抗攻击的防御能力。

7.自然语言处理（NLP）中，BERT模型的预训练任务包括？

A.掩码语言模型（MLM）和下一句预测（NSP）

B.序列到序列生成（Seq2Seq）

C.情感倾向分类

D.命名实体识别（NER）

答案：A

解析：BERT的预训练任务是MLM（随机掩码部分输入token，预测被掩码内容）和NSP（判断两句话是否连续），通过这两个任务学习上下文表征。

8.强化学习（ReinforcementLearning）中，“折扣因子（γ）”的主要作用是？

A.控制即时奖励与未来奖励的权重

B.调整学习率大小

C.限制状态空间维度

D.防止值函数过估计

答案：A

解析：折扣因子γ∈[0,1]用于计算累积奖励时衰减未来奖励的影响，γ越接近1，模型越关注长期奖励；γ越接近0，越关注即时奖励。

9.在联邦学习（FederatedLearning）中，“客户端-服务器”架构的核心优势是？

A.集中所有数据训练，提升模型性能

B.保护用户隐私，避免数据泄露

C.降低计算资源需求

D.无需处理异质数据分布

答案：B

解析：联邦学习中，客户端（如手机、医院）仅上传模型参数（而非原始数据）至服务器聚合，原始数据保留在本地，从而保护隐私。

10.以下哪项属于AI伦理中的“公平性（Fairness）”问题？

A.模型在训练数据中未覆盖某群体，导致预测偏差

B.模型参数量过大，计算能耗高

C.模型输出结果不可解释

D.模型响应速度未达实时要求

答案：A

解析：公平性关注模型对不同群体（如性别、种族）的预测是否存在系统性偏差；能耗属于可持续性问题，不可解释性属于可解释性问题，响应速度属于性能问题。

二、填空题（每题2分，共20分）

1.机器学习中，均方误差（MSE）损失函数适用于______任务，交叉熵（Cross-Entropy）损失函数适