事前学習とファインチューニングは何が違う？転移学習との関係は重要ポイントを整理して理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network

G検定トップ ＞ 事前学習とファインチューニングは何が違う？転移学習との関係【G検定対策】

まず結論

  • 事前学習は「知識の土台づくり」、ファインチューニング（Fine-tuning）は「目的タスクへの適応」である。
  • G検定では「どの段階で転移が起きているか」を理解しているかが問われる。

直感的な説明

転移学習は、次の2段階で考えると分かりやすいです。

  1. 事前学習
    👉 いろんな問題を解いて「基礎力」を身につける
  2. ファインチューニング（Fine-tuning）
    👉 本番の試験に合わせて「対策」する

つまり、

  • 事前学習＝広く浅く覚える
  • ファインチューニング＝狭く深く合わせる

という役割分担です。

定義・仕組み

事前学習（Pre-training）

  • 大量の汎用データで学習
  • 特定タスクに依存しない特徴表現を獲得
  • 例：
    • ImageNetで学習したCNN
    • 大規模コーパスで学習した言語モデル

役割：

  • 転移学習の出発点
  • 正の転移を起こしやすくする

ファインチューニング（Fine-tuning）

  • 事前学習済みモデルを、目的タスク用データで再学習
  • 全層または一部の層の重みを更新
  • 少量データでも高性能を実現

役割：

  • タスク適応
  • 転移の「仕上げ」

いつ使う？（得意・不得意）

事前学習が効く場面

  • データが大量にある
  • 汎用的な特徴が重要
  • 似たタスクが多数存在する

ファインチューニングが効く場面

  • タスク固有の違いが重要
  • データが少ない
  • 高精度が求められる

注意点

  • タスクが大きく異なると 負の転移 が起きることがある
  • ファインチューニングしすぎると 破壊的忘却 が起きることもある

G検定ひっかけポイント

G検定では、次の混同を狙ってきます。

よくある誤解

  • ❌「事前学習＝転移学習そのもの」
  • ❌「ファインチューニングしなくても転移は完了」
  • ❌「ファインチューニングは必ず全層更新」

正しい判断基準

  • 知識をためる段階 → 事前学習
  • 目的に合わせて調整 → ファインチューニング
  • 性能が向上 → 正の転移
  • 性能が下がる → 負の転移

問題文に
「大規模データで事前に学習」
とあれば 事前学習。

「少量データで調整」
とあれば ファインチューニング。

まとめ（試験直前用）

  • 事前学習：汎用的な知識を獲得
  • ファインチューニング：目的タスクに適応
  • 転移学習はこの2段階で成立
  • 正の転移が理想、負の転移に注意
  • 「土台」と「仕上げ」で覚える

🔗 関連記事

🏠 G検トップに戻る