2025年计算机等级考试(二级人工智能与人工智能安全)试卷及答案

2025年计算机等级考试(二级人工智能与人工智能安全)试卷及答案一、单项选择题（共20题，每题2分，共40分）1.以下关于人工智能（AI）的定义，最准确的是：A.模拟人类大脑结构的硬件系统B.使计算机具备人类所有智能行为的技术C.通过算法让机器模拟、延伸和扩展人类智能的理论与技术D.基于大数据的自动化数据处理技术2.机器学习中，“过拟合”现象指的是：A.模型在训练集上表现差，在测试集上表现好B.模型在训练集上表现好，在测试集上表现差C.模型参数过多导致计算速度过慢D.模型无法处理高维数据3.以下属于无监督学习任务的是：A.图像分类（标签已知）B.客户分群（无标签）C.垃圾邮件识别（标签已知）D.房价预测（连续值输出）4.支持向量机（SVM）的核心思想是：A.最大化类别间的决策边界间隔B.构建多层神经元网络C.通过决策树分割特征空间D.利用梯度下降优化损失函数5.深度学习中，ReLU激活函数的主要优点是：A.避免梯度消失问题B.输出值范围在(1,1)C.计算复杂度高D.适用于所有类型的神经网络6.自然语言处理（NLP）中，Word2Vec的主要作用是：A.生成语法正确的句子B.将文本转换为低维稠密向量C.识别文本中的实体D.分析句子的情感倾向7.计算机视觉中，YOLO（YouOnlyLookOnce）模型的核心优势是：A.高精度的目标检测B.实时的目标检测速度C.支持小目标检测D.无需标注数据训练8.以下属于生成对抗网络（GAN）应用的是：A.图像风格迁移（如将照片转为油画）B.图像分类（如识别猫和狗）C.图像去噪（去除图像中的噪声）D.图像分割（标注图像中每个像素的类别）9.人工智能安全中，“对抗样本攻击”指的是：A.攻击者通过注入恶意数据破坏训练过程B.攻击者对输入数据添加微小扰动，导致模型错误分类C.攻击者窃取模型参数并复制模型D.攻击者通过网络攻击破坏AI服务器10.联邦学习（FederatedLearning）的主要目的是：A.提高模型训练速度B.保护用户数据隐私C.解决数据不平衡问题D.降低模型复杂度11.以下关于BERT模型的描述，错误的是：A.基于Transformer的双向编码器B.预训练任务包括掩码语言模型（MLM）和下一句预测（NSP）C.适用于单模态任务（仅文本）D.支持迁移学习到多种下游任务（如文本分类、问答）12.机器学习中，交叉验证（CrossValidation）的主要作用是：A.提高模型训练速度B.评估模型的泛化能力C.减少训练数据量D.防止模型过拟合13.人工智能伦理中，“算法歧视”的典型表现是：A.模型在不同群体（如性别、种族）上的预测准确率差异显著B.模型计算速度慢导致用户等待时间过长C.模型参数过多难以解释D.模型依赖大量标注数据14.以下属于强化学习要素的是：A.训练数据、标签、损失函数B.状态、动作、奖励C.输入特征、隐藏层、输出层D.词向量、注意力机制、解码器15.计算机视觉中，ResNet（残差网络）的主要创新是：A.引入注意力机制B.解决深层网络的梯度消失问题C.支持多尺度目标检测D.减少模型参数量16.人工智能安全中，“数据投毒攻击”的目标是：A.破坏模型的推理阶段B.破坏模型的训练阶段C.窃取模型输出结果D.干扰模型的实时计算17.以下关于卷积神经网络（CNN）的描述，正确的是：A.全连接层用于提取局部特征B.卷积层通过滑动窗口提取空间特征C.池化层会增加特征图的尺寸D.输入层只能处理一维数据18.自然语言处理中，“注意力机制”的核心作用是：A.减少计算量B.让模型关注输入中的关键部分C.生成更流畅的文本D.提高词向量的维度19.以下属于弱人工智能（ANI）的应用是：A.能自主完成复杂科学实验的机器人B.能理解并生成人类语言的对话系统（如ChatGPT）C.仅能下围棋的AlphaGoD.具备自我意识的智能体20.人工智能安全防御措施中，“对抗训练”的具体做法是：A.在训练数据中添加对抗样本，增强模型鲁棒性B.对模型参数进行加密存储C.限制模型的计算资源D.对输入数据进行格式校验二、填空题（共10题，每题2分，共20分）1.机器学习的三要素是模型、（）、算法。2.深度学习中，LSTM（长短期记忆网络）通过（）结构解决长序列依赖问题。3.自然语言处理中，BERT模型的输入表示包含词向量、段向量和（）。4.计算机视觉中，目标检测任务的常用评价指标是（）（缩写）。5.生成对抗网络（GAN）由生成器和（）两部分组成。6.人工智能安全中，“后门攻击”是指攻击者在（）阶段植入恶意触发模式。7.强化学习中，智能体（Agent）通过与（）交互获得奖励信号。8.机器学习中，处理类别不平衡数据的常用方法包括过采样、欠采样和（）。9.计算机视觉中，图像增强的常用技术包括翻转、旋转和（）（至少写一种）。10.自然语言处理中，“情感分析”属于（）任务（填“分类”或“生成”）。三、简答题（共5题，每题8分，共40分）1.简述监督学习与无监督学习的区别，并各举一个典型应用场景。2.解释梯度下降算法的基本原理，并说明批量梯度下降（BatchGD）与随机梯度下降（SGD）的差异。3.说明BERT模型与传统预训练模型（如Word2Vec）的主要区别。4.分析对抗样本攻击对人工智能系统的潜在危害，并列举两种防御方法。5.设计一个基于卷积神经网络（CNN）的图像分类任务流程，需包含数据预处理、模型结构、训练步骤和评估指标。四、综合应用题（共2题，每题20分，共40分）1.编程实现：基于Scikitlearn的分类模型训练与评估要求：使用Python和Scikitlearn库，基于Iris数据集（鸢尾花分类）完成以下任务：（1）加载Iris数据集，划分训练集（70%）和测试集（30%）；（2）对数据进行标准化预处理；（3）选择支持向量机（SVM）作为分类模型，设置核函数为RBF，调整正则化参数C=1.0；（4）训练模型并输出训练集准确率；（5）使用测试集评估模型，输出测试集准确率和混淆矩阵。2.案例分析：人工智能安全漏洞与防御背景：某金融机构使用AI模型对用户贷款申请进行风险评估，近期发现部分用户通过提交“异常填写”的申请（如收入字段填写极小扰动值）导致模型错误判断为“低风险”。经分析，这是一起典型的对抗样本攻击事件。任务：（1）解释该攻击的技术原理；（2）提出至少3种针对性防御措施，并说明其技术细节。答案一、单项选择题1.C2.B3.B4.A5.A6.B7.B8.A9.B10.B11.C12.B13.A14.B15.B16.B17.B18.B19.C20.A二、填空题1.损失函数2.门控（或遗忘门、输入门、输出门）3.位置向量4.mAP（平均精度均值）5.判别器6.训练7.环境8.调整类别权重（或代价敏感学习）9.缩放（或亮度调整、噪声添加等）10.分类三、简答题1.区别：监督学习使用带标签的数据训练模型，目标是学习输入到标签的映射；无监督学习使用无标签数据，目标是发现数据的内在结构或模式。应用场景：监督学习（如基于标注图像的猫狗分类）；无监督学习（如基于用户行为的客户分群）。2.基本原理：梯度下降通过计算损失函数对参数的梯度（导数），沿梯度反方向更新参数，逐步减小损失函数值，最终找到最优参数。差异：批量梯度下降使用全部训练数据计算梯度，更新稳定但速度慢；随机梯度下降使用单个样本计算梯度，更新速度快但波动大。3.主要区别：（1）BERT是双向预训练（同时考虑上下文），Word2Vec是单向（仅左或右上下文）；（2）BERT基于Transformer（注意力机制），Word2Vec基于词袋模型或窗口模型；（3）BERT支持深度语义理解，可迁移到多种下游任务；Word2Vec仅生成词向量，需结合其他模型完成任务。4.潜在危害：对抗样本可能导致自动驾驶误判交通标志、医疗AI误诊疾病、安防系统错误识别身份等，威胁安全与隐私。防御方法：（1）对抗训练：在训练数据中添加对抗样本，增强模型鲁棒性；（2）输入预处理：对输入数据进行滤波（如中值滤波），消除微小扰动；（3）模型检测：设计辅助网络检测对抗样本，拒绝异常输入。5.流程设计：（1）数据预处理：图像归一化（像素值缩放到[0,1]）、resize到固定尺寸（如224×224）、划分训练/验证集；（2）模型结构：输入层（224×224×3）→卷积层（3×3卷积核，64个滤波器）→池化层（2×2最大池化）→全连接层（128个神经元）→输出层（softmax激活，类别数）；（3）训练步骤：选择交叉熵损失函数、Adam优化器，设置批量大小32，训练10轮；（4）评估指标：准确率、精确率、召回率、F1值。四、综合应用题1.编程实现答案```pythonfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScalerfromsklearn.svmimportSVCfromsklearn.metricsimportaccuracy_score,confusion_matrix（1）加载数据并划分iris=load_iris()X,y=iris.data,iris.targetX_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)（2）标准化预处理scaler=StandardScaler()X_train_scaled=scaler.fit_transform(X_train)X_test_scaled=scaler.transform(X_test)（3）初始化SVM模型model=SVC(kernel='rbf',C=1.0)（4）训练并输出训练集准确率model.fit(X_train_scaled,y_train)train_acc=accuracy_score(y_train,model.predict(X_train_scaled))print(f"训练集准确率：{train_acc:.4f}")（5）测试集评估y_pred=model.predict(X_test_scaled)test_acc=accuracy_score(y_test,y_pred)cm=confusion_matrix(y_test,y_pred)print(f"测试集准确率：{test_acc:.4f}")print("混淆矩阵：")print(cm)```输出示例：训练集准确率：0.9810测试集准确率：0.9778混淆矩阵：[[1600][0170][0011]]2.案例分析答案（1）攻击原理：攻击者通过在用户收入字段（连续型特征）添加微小不可察觉的扰动（如将“10000”改为“10000.001”），利用AI模型（通常为线性模型或神经网络）对输入噪声的敏感性，改变模型内部特征空间的决策边界，导致模型将高风险样本误