生成AIパスポート 用語解説
転移学習とは
ある課題で学習済みのモデルを、別の関連する課題の学習に応用する手法。
まず押さえる結論
転移学習は、生成AIパスポートの「第1章 AI（人工知能）」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-08-31。
公式シラバス（PDF）（公式）比較記事でさらに確認する
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×教師あり学習・教師なし学習・強化学習の取り違え。クラスタリングや次元削減は「教師なし」、分類や回帰は「教師あり」、報酬を手がかりに学ぶのが「強化学習」。
×弱いAI（ANI）と強いAI（AGI）の混同。特定の課題に特化するのが弱いAI、人間のように幅広い課題へ汎用的に対応できるとされるのが強いAI。
×AIブームと中心技術の対応ずれ。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニングとビッグデータ。
関連する確認問題
第1章 AI（人工知能） / AIに知能をもたらす仕組み
転移学習で、12万個のパラメータを持つ基盤モデルを凍結し、3,000個のパラメータを持つ分類層だけを追加した。その後、基盤モデル上位の2万個を解凍してfine-tuningする。各段階で更新対象となるパラメータ数の組はどれか。
正解は「feature extraction時3,000個、fine-tuning時23,000個」です。feature extraction段階では基盤モデル12万個を凍結して重みを更新せず、新しく追加した分類層3,000個だけを学習する。次のfine-tuning段階では、分類層3,000個を引き続き学習しながら、基盤モデル上位で解凍した2万個も共同で更新するため、更新対象は3,000+20,000＝23,000個となる。12万個や12万3,000個を更新対象とする選択肢は凍結した基盤全体まで数えている。2万個だけとする選択肢は、解凍した基盤部分だけを数え、追加分類層を落としている。凍結・解凍の状態を段階ごとに分けてから合計する。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
正解ラベルのないデータから、データ自体に潜むパターンや構造を見つけ出す機械学習の手法はどれか。
正解は「クラスタリング」である。問題文の決定条件は、入力データに正解ラベルがなく、そのデータ自体からパターンや構造を見つけることである。これは教師なし学習の設定であり、代表的な手法としてクラスタリングや次元削減がある。選択肢では、データをまとまりに分けるクラスタリングが直接対応する。教師あり学習は正解ラベルを使い、強化学習は報酬を手がかりに行動を改善し、転移学習は学習済みの知識を別課題へ活かす。入力に何が与えられるかを最初に確認すれば、4つの学習方式を混同せずに選べる。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
機械学習で、訓練データに過剰に適合してしまい、未知のデータに対する予測精度が下がってしまう現象を何というか。
正解は「過学習（オーバーフィッティング）」である。問題文は学習手法の名称ではなく、訓練データには過剰に適合する一方で、未知データへの予測精度が下がる現象を問うている。この訓練時と利用時の性能差が過学習の特徴である。正則化はその現象を抑えるための手法であり、現象そのものではない。転移学習は学習済みの知識を別の課題へ活かす手法、強化学習は報酬を手がかりに行動を改善する枠組みである。「何が起きたか」と「何をする手法か」を分けると、対策名を誤って選ばずに済む。
同じ章で確認したい用語
到達チェック
- 転移学習を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、転移学習に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）