---
title: "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】"
description: "Few-shot・Zero-shot・転移学習の違いについて、G検定で問われるAI・機械学習分野の観点から、目的、前提、モデル構造、入力と出力、評価観点のどこが異なるかを比較します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
last_modified_at: "2026-07-14"
canonical_url: "https://stemtazoo.github.io/gk/few-shot-vs-zero-shot-vs-transfer/"
section: "gk"
---

## 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