CLIP

正解：A

CLIP は、画像とテキストを同じ空間に対応させる対照学習のモデル。

CLIP：画像と文章をそれぞれのエンコーダでベクトルにし、対応するペアが近くなるように対照学習する。

• A

  正しい。対応する画像とテキストのベクトルが近く、対応しない組が遠くなるように学習する（対照学習）。追加の学習なしで、画像の分類などに使える。

• B

  誤り。画像だけを扱う CNN のモデル。

• C

  誤り。音声の波形を生成するモデル。

• D

  誤り。テキストだけを扱い、単語の分散表現を学習する手法。

学習のポイント：マルチモーダルの応用（画像の説明文生成、テキストからの画像生成、画像についての質問応答）を押さえる。