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）」に出てくる用語です。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
「第1章 AI（人工知能）」の問題で、取り違えやすい組み合わせです。
- 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の12万個のパラメータ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
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。
第1章 AI（人工知能） / AIに知能をもたらす仕組み
教師なし学習の一つで、データが持つ多数の特徴（変数）を、重要な情報をできるだけ保ったまま少ない数にまとめる手法を何というか。
正解は「次元削減」である。設問は、データ件数を減らすのではなく、多数ある特徴、すなわち変数の数を少なくまとめる操作を問うている。重要な情報をできるだけ保ちながら特徴数を減らす手法が次元削減であり、教師なし学習の代表例に含まれる。クラスタリングも教師なし学習だが、こちらは特徴数ではなく、似たデータをグループへ分ける。過学習は訓練データへ適合しすぎる現象、転移学習は学習済みの知識を別の課題へ活かす手法である。「何の数を変えるか」に注目し、変数を少数へまとめる記述なら次元削減、データを群へ分ける記述ならクラスタリングと見分ける。
同じ章で確認したい用語
他資格でも出題される用語
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
用語を体系的に学べる書籍（Amazon）
用語の意味を調べたあとに、試験範囲の流れの中で読み直したいときの公式テキストと公認テキストです。購入前に版と試験範囲への対応を確認してください。
執筆: ミナト編集部（運営者情報を見る）