Few-shot・Zero-shot・転移学習の違い【少量データ学習の整理｜G検定対策】

G検定トップ＞ Few-shot・Zero-shot・転移学習の違い【少量データ学習の整理｜G検定対策】

まず結論

Few-shot学習は「少量データで新タスクを学ぶ」手法、
Zero-shot学習は「データなしで推論する」手法、
転移学習は「事前学習モデルを別タスクに流用する」手法である。
G検定では「新タスクにデータがあるかどうか」で切り分ける。

直感的な説明

この3つは「新しいタスクにどう対応するか」の違いです。

転移学習
👉 すでに勉強した知識を使って学び直す
Few-shot学習
👉 少しだけ見て覚える
Zero-shot学習
👉 見たことはないが説明だけで推測する

人間で例えると、

転移学習＝復習＋応用
Few-shot＝少数例から理解
Zero-shot＝説明文だけで判断

です。

定義・仕組み

転移学習（Transfer Learning）

大規模データで事前学習したモデルを利用
新タスク用に 微調整（Fine-tuning） を行う

特徴：

新タスクにもデータがある
学習は再度行う

Few-shot学習

各クラス 少数（K件）のサンプルから学習
エピソード学習を用いることが多い
メタラーニングと密接に関係

特徴：

データは少量だが存在する
新クラスへの高速適応が目的

Zero-shot学習

新タスク・新クラスの 学習データなし
属性情報や自然言語記述を利用

特徴：

学習フェーズなしで推論
事前知識が重要

いつ使う？（得意・不得意）

転移学習が向く場面

新タスクにも十分なデータがある
計算資源に余裕がある

Few-shot学習が向く場面

データ収集が難しい
クラス追加が頻繁

Zero-shot学習が向く場面

新クラスのデータが全くない
説明文・属性情報が利用可能

G検定ひっかけポイント

ここが最重要です。

よくある誤解

❌「Few-shotはデータを使わない」
❌「Zero-shotは転移学習の一種」
❌「転移学習は学習しない」
❌「全部同じ意味」

正しい判断基準

データなし → Zero-shot
少量データ → Few-shot
十分なデータ＋再学習 → 転移学習
エピソード学習 → Few-shot

最終比較表（これだけ見ればOK）

| 観点 | 転移学習 | Few-shot学習 | Zero-shot学習 | |—|—|—|—| | 新タスクのデータ | あり | 少量 | なし | | 再学習 | する | する | しない | | 主な目的 | 学習効率向上 | 高速適応 | 汎用推論 | | 関連概念 | Fine-tuning | メタラーニング | 属性推論 | | G検定キーワード | 事前学習 | K-shot | 未学習クラス |

まとめ（試験直前用）

転移学習：事前学習＋再学習
Few-shot：少量データ
Zero-shot：データなし
データ量で切る
迷ったら「学習するか？」を見る

🔗 関連記事

🏠 G検トップに戻る