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
半教師あり学習とは
半教師あり学習とは、少量のラベル付きデータと大量のラベルなしデータを併用し、学習効率と性能を高める手法です。ラベル付けコストの削減に有効です。
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
少しの正解付きデータと、大量の正解なしデータを組み合わせて学習する手法です。
現実の状況に合っている
データは大量にあるが、ラベルを付けられるのはごく一部——これが多くの現場の実情です。医療画像なら専門医の判断が必要で、コストも時間もかかります。
半教師あり学習は両方を無駄なく使うための枠組みです。
代表的な考え方
- 擬似ラベル：まず少量のラベルで学習し、ラベルなしデータに予測を付けて学習に加える
- 一貫性正則化：同じデータに少し変化を加えても同じ予測になるよう学習させる
自己教師ありとの違い
| 手法 | ラベルの扱い |
|---|---|
| 半教師あり学習 | 少量のラベルを使う＋ラベルなしも併用 |
| 自己教師あり学習 | ラベルを一切使わず疑似的な正解を自動生成 |
どんな場面で有効か
ラベルなしデータがラベル付きと同じ分布から来ていることが前提になります。
分布が違うデータを混ぜるとかえって性能が下がることもあります。データの性質の確認が欠かせません。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| 半教師あり学習 | 少量のラベルを使う |
| 自己教師あり学習 | ラベルを一切使わない |
| 教師なし学習 | ラベルなし。構造の発見が目的 |
🎯 G検定での押さえどころ
- 少量のラベル付き＋大量のラベルなしを併用
- ラベル付けコストの削減に有効
- 自己教師あり学習（ラベル不使用）との違い
⚠️ よくある誤りの選択肢
- 「半教師あり学習ではラベル付きデータを一切使わない」→ 誤り。少量は使います
📘 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「半教師あり学習と自己教師あり学習」（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。