定義
転移学習とは、ある課題で学習済みのモデルが持つ知識を別の関連課題に応用し、少ないデータや計算資源で新しいタスクに適応させる機械学習の手法のこと。
転移学習 (Transfer Learning)とは（詳しく解説）
転移学習は、大規模データで事前学習済みのモデル（基盤モデルや画像認識モデルなど）を土台に、少量のドメイン固有データで再学習して新しいタスクへ適応させる手法とされる。ゼロから学習するよりも学習時間と計算コストを大幅に抑えられる点が特徴で、ファインチューニングは転移学習の代表的な実装手法の一つに位置づけられる。2026年時点の実運用では、事前学習モデルとタスクの分野が離れているほど精度が伸び悩む「負の転移」が起きやすく、現場では対象タスクに近いベースモデルの選定と検証データでの事前評価が欠かせないとされる。コスト面では、全パラメータを再学習するフルファインチューニングよりLoRAなどのパラメータ効率的な手法を選ぶことで、GPU利用料を抑えつつ実務投入できる構成が広く採用されている。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「転移学習 (Transfer Learning)とは」 https://aipicks.jp/glossary/transfer-learning
転移学習 (Transfer Learning)の使用例
- 画像認識で事前学習済みのモデルを流用し、少量の医療画像データで転移学習してがん検出モデルを構築する。
- 汎用コーパスで事前学習したLLMを、社内FAQデータで転移学習（ファインチューニング）し業務特化させる。
