OpenAIが開発したマルチモーダル基盤モデル「CLIP」の事前学習手法に関する記述として、最も適切なものを1つ選択してください。
出典G検定オリジナル模擬試験
ア
画像エンコーダとテキストエンコーダを用い、インターネットから収集した大量の「画像と説明テキスト」のペアについて、対応する正例ペアのコサイン類似度を最大化し、無関係な負例ペアの類似度を最小化する対照学習（Contrastive Learning）を行う。
イ
画像からピクセル単位のテキスト文字をOCRで読み取ることだけを目的とした認識モデルである。
ウ
テキストを与えると画像をゼロから描画するオートリグレッシブな画像生成モデルである。
エ
事前学習に数百万枚の画像に対する人手で厳密に作成されたバウンディングボックスのアノテーションが必須である。