転移学習とは？
てんいがくしゅう
転移学習とは、あるタスクや領域で学習済みのモデルや知識を、別のタスクや領域に応用・流用する機械学習の手法です。
転移学習（Transfer Learning）とは、あるドメイン・タスクで学習済みのモデルが獲得した知識（特徴表現・パラメータなど）を、別のドメイン・タスクに転用することで、少ないデータや計算コストで高い性能を実現する機械学習の手法です。
転移学習が注目される背景には、大規模なデータ収集と学習に要するコストがあります。一から学習すると膨大なデータと計算資源が必要ですが、すでに大量データで訓練済みのモデルを出発点にすれば、少量のデータでのファインチューニング（微調整）だけで目的のタスクに適応できます。
転移学習の主な手法は以下の通りです。
- 特徴抽出：学習済みモデルの中間層を固定し、最終層のみを新タスク向けに学習する
- ファインチューニング：学習済みモデル全体（または一部）を新タスクのデータで再学習する
- ドメイン適応：異なるデータ分布間で知識を転移する
画像認識分野では、ImageNetで事前学習されたVGGやResNetを医療画像診断に転用する事例が典型的です。自然言語処理では、BERTやGPTなどの大規模言語モデルを特定の文書分類・質問応答タスクにファインチューニングする手法が広く普及しています。転移学習は、データが少ない専門領域でAIを活用するための実践的なアプローチとして非常に重要です。
使い方・例文
画像診断AIを開発する際に、数百万枚の一般画像で学習済みのモデルを流用し、数千枚のX線画像でファインチューニングするだけで高精度の疾患検出モデルを構築できる、という場面で転移学習が活用されます。
この用語をシェア
最終更新: