⑤ ディープラーニングの応用例 ／ 31. 転移学習・ファインチューニング
Few-shotとは
Few-shotとは、数個程度の極めて少ない学習サンプルのみを用いて、未知のタスクに適応する学習形態です。事前学習済みモデルと組み合わせることで高い汎化性能を実現します。
この用語はG検定シラバスの「31. 転移学習・ファインチューニング」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
数個の例を見せるだけで、新しい課題に対応できるようにする学習形態です。
3つの段階
この3つの区別は正確に区別できるようにしておきましょう。
なぜ少数で足りるのか
ゼロから学ぶわけではないからです。事前学習済みモデルはすでに幅広い知識と表現力を持っています。
数個の例は「何をしてほしいか」を伝えるための手がかりであって、ゼロから学習させるものではありません。大規模言語モデルでこの能力が顕著に現れることが知られています。
プロンプトに例を書く
大規模言語モデルでは、指示文の中に例を数個書くだけでFew-shotが成立します。モデルの重みは一切変わりません。
「学習」ではなく「文脈で伝える」という新しい形であり、in-context learningとも呼ばれます。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| Zero-shot | 例を示さずに推論する |
| One-shot | 1個の例から適応する |
| Few-shot | 数個の例から適応する |
🎯 G検定での押さえどころ
- 数個のサンプルで未知タスクに適応する
- Zero-shot（0個）・One-shot（1個）との区別
- 事前学習済みモデルが前提
⚠️ よくある誤りの選択肢
- 「Few-shotは大量のデータで学習し直す手法である」→ 誤り。数個で適応します
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「GPT-n」（E資格向け）
この用語を覚えたら
チェックは章ページと「試験内容解説」TOPの進捗にも反映されます
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。