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
事前学習済みモデルとは
事前学習済みモデルとは、大規模データセットで学習済みの汎用モデルであり、他タスクへ再利用できます。転移学習やファインチューニングの基盤として用いられます。
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
あらかじめ大量のデータで学習させておいた、使い回せるモデルのことです。
ゼロから作らなくてよい
画像ならImageNet、言語なら大規模なテキストで学習したモデルが公開されています。
これを出発点にすれば、手元のデータが少なくても高い精度が得られます。ゼロから学習するより圧倒的に速く、必要な計算資源も少なくて済みます。
使い方の3パターン
- 特徴抽出器として使う：重みを固定し、最後の層だけ付け替えて学習する
- ファインチューニング：全体または一部の重みを対象タスクで再調整する
- そのまま使う：Zero-shotのように追加学習なしで推論する
データ量が少ないほど固定する層を増やすのが基本的な考え方です。無理に全体を調整すると過学習します。
どこまで固定するか
対象タスクが元の学習内容に近いほど多くの層を固定してよいとされます。遠いほど深い層まで再調整が必要になります。
データ量とタスクの近さの2軸で判断するのが実務的な進め方です。
🎯 G検定での押さえどころ
- 大規模データで学習済みの汎用モデル
- 転移学習・ファインチューニングの基盤
- データが少ないほど固定する層を増やす
⚠️ よくある誤りの選択肢
- 「事前学習済みモデルは特定のタスクにしか使えない」→ 誤り。他タスクへ再利用できる点が価値です
📘 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「転移学習」（E資格向け）
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。