科学なるほど新聞English

トップ › 用語集 › AI

転移学習(AIが、学んだことを別の課題に生かすやり方)とは?

別の呼び名:Transfer learning

用語解説 ・ 確かめた日 2026年11月18日 ・ 読む 12分

1分で解説

転移学習とは、AIがある課題で学んだことを、別の課題を学ぶときに生かすやり方のことです。

例えば、100万枚を超える写真で物の名前を当てる練習をしたAIを、数の少ない医療の画像で病気を見分けるAIの出発点にします。写真を見分けるAIの前の方の層(計算の段)は、線や模様のような、どの写真にも役立つ手がかりを学んでいます。それを借りるので、一から学ぶより、ずっと少ないデータで済みます。

生かし方には、借りた層を固定して最後の層だけを学ばせる形と、借りた層も少し学び直す形(ファインチューニング)があります。生かす元を大量のデータで作る段が、事前学習です。ただ、元の課題と新しい課題が違いすぎると、かえって成績が下がること(負の転移)もあります。

よくある思い込み

「転移学習とファインチューニングは、別々のやり方」

一部だけ合っています。転移学習は、ある課題で学んだことを別の課題に生かす、という考え方の名前です。その生かし方に、主に2つの形があります。1つは、学んだ層を固定して変えず、新しく足した最後の層だけを学ばせる形です。学んだ層が取り出す手がかり(特徴)だけを借りるので、特徴抽出とも呼びます。もう1つは、学んだ中の数(パラメーター)を出発点にして、借りた層も新しいデータで少しずつ学び直す形で、これがファインチューニングです。この2つの形が違うのは本当です。でも、ファインチューニングは、転移学習の外にある別の技術ではありません。機械学習の教科書や、AIを作る道具の手引きでも、転移学習のよくあるやり方の1つとして説明されています。どちらの形にするかは、手元のデータの量や、元の課題との近さで選びます。ファインチューニングでは、借りた数を壊さないように、学ぶたびに中の数を直す幅(学習率)をとても小さくします。

図で解説

写真を見分けるAIの層を借りて、新しい課題を学ぶ流れの図(このページで作った例)。題「学んだ層を借りて、新しい課題を学ぶ」。上の段「① 生かす元を作る(事前学習)」:写真の束の絵と「100万枚を超える写真」→ 四角が3つ「線・色」「模様」「部品」→ 紺の四角「出口の層 1000種類の名前」、右に「大量のデータで、時間をかけて学ぶ」。3つの四角の下に「前の方の層:どの写真にも役立つ手がかり」。そこから下へ点線の矢印「学んだ数を、そのまま写す」。下の段「② 新しい課題に生かす」(例:医療の画像で病気を見分ける)は2行。「形1 特徴だけ借りる」:写した3つの四角の上に鍵の印、右にオレンジの枠「新しい出口 病気かどうか」、右に「学ぶのは出口だけ」。「形2 ファインチューニング」:写した3つの四角の上に、回して直す矢印の印、同じ「新しい出口」、右に「借りた層も少し直す」。一番下の帯:一から学ばず、学んだ数から始めるので、少ないデータで済む。
上の段は、生かす元を作る事前学習です。100万枚を超える写真で、1000種類の物の名前を当てる練習をします。前の方の層(四角)は、線や色、模様、部品のような、どの写真にも役立つ手がかりを学びます。一番右の出口の層は、元の課題の1000種類の名前と結び付いているので、新しい課題では使いません。下の段では、前の方の層の数をそのまま写し、新しい出口の層を足して、少ない医療の画像で学びます。形1は、借りた層を固定して(鍵の印)、新しい出口だけを学ばせます。形2のファインチューニングは、借りた層も少しずつ直します(回す矢印の印)。
写真を見分けるAIの、層ごとに反応するものを並べた図(2013年と2014年の論文から)。題「前の方の層ほど、ほかの課題でも役に立つ」。左から6つの四角が矢印でつながる。「1層目」:向きの違うしま模様と、オレンジの丸の絵、「線の向き・色のかたまり」。「2層目」:角の形の絵、「角や、線と色の組み合わせ」。「3層目」:あみ目の絵、「あみ目のような模様」。「4層目」:犬の顔の絵、「犬の顔のような部品」。「5層目」:キーボードの絵、「犬やキーボード」「物全体」。紺の「出口の層」:「1000種類の名前を出す」。その下に左右両向きの矢印、左端に「どの課題にも共通(借りやすい)」、右端に「元の課題に特有(借りにくい)」。下の枠:「似た課題どうし:後ろの方の層まで借りても、成績はあまり下がらない」「違う課題どうし:後ろの層まで借りるほど、成績が大きく下がる」。一番下の帯:前の方の層は、何の写真で学んでも似た手がかりになる。
写真を見分けるAIの層が、何に反応するかを左から並べた図です。1層目は、線の向きや色のかたまりのような簡単なものに反応します。このような手がかりは、何の写真で学んでも似たものになるので、ほかの課題にも借りやすいのです。後ろの層ほど、角、模様、部品、物全体と、元の課題に合わせた、複雑なものに反応します。出口の層は、元の課題の答えそのものです。2014年の研究では、似た課題どうしなら後ろの方の層まで借りてもあまり損をしませんでしたが、人が作った物と自然の物のように違う課題どうしでは、後ろの層まで借りるほど、成績が大きく下がりました(下の枠)。
101種類の物の写真を見分ける課題の正解率を、横の棒で比べた図(2013年の論文の数。Caltech-101)。題「写真が少ないときほど、借りた層が効く」。上の目盛りは0%・50%・100%。「1種類あたり15枚の写真で学ぶ」:「一から学ぶ」灰色の短い棒 22.8%、「借りた層を使う」オレンジの長い棒 83.8%。「1種類あたり30枚の写真で学ぶ」:「一から学ぶ」灰色の棒 46.5%、「借りた層を使う」オレンジの長い棒 86.5%。その下の注:どちらも同じ作りのAI。「借りた層を使う」方は、100万枚を超える写真で学んだ層を固定したまま、新しい出口の層だけを学ばせた。一番下の帯:写真が少ないほど、一から学ぶAIとの差が大きい。
101種類の物を見分ける課題で、AIが正しく当てた割合を比べた図です(2013年の論文の数)。灰色の棒は、その課題の写真だけで一から学んだAI、オレンジの棒は、100万枚を超える写真で学んだ層を固定して借り、新しい出口の層だけを学ばせたAIです。2つは同じ作りです。1種類あたり15枚で学ぶと、一から学んだAIは22.8%しか当てられませんでしたが、層を借りたAIは83.8%でした。30枚に増やすと、一から学んだAIは46.5%まで上がり、差は縮まりました。写真が少ないときほど、借りた手がかりが効くのです。

図は、出典(科学なるほど新聞 naru.news)を書けば、授業・資料・ブログなどで自由に使えます(CC BY 4.0)。

たとえるなら

バイオリンを習った人が、ピアノを早く覚える

バイオリンを習った人は、ピアノを習い始めても、楽譜の読み方のような知識を、一から学び直さずに済みます。どちらも楽器なので、共通する知識があるからです。前に学んだことが、次の学びを助ける。これが転移学習の考え方です。AIで、楽譜の読み方に当たるのが、前の方の層が学んだ、線や模様のような手がかりです。

ただ、何でも助けになるわけではありません。自転車に乗れるようになっても、ピアノが早く上手になるわけではありません。AIでは、元の課題と新しい課題が違いすぎると、借りた手がかりが役に立たないどころか、借りないときより成績を下げることもあります(負の転移)。

たとえが合わないところもあります。人は、どの経験が使えそうかを自分で考えますが、AIでは、どのAIの、どの層を借りるかを、作る人が選びます。また、AIの「借りる」は、学んだ中の数をそのまま写して、新しいAIの出発点にすることです。写すので、元のAIはそのまま残ります。

ポイント解説

なぜ「転移」と呼ぶの?

もとは、人の学びを調べる心理学の言葉です。前に学習したことが、後の別の学習に影響することを「学習の転移」と呼びます。後の学習を助ける場合が「正の転移」、邪魔をする場合が「負の転移」です。

機械学習の転移学習(英語で transfer learning)も、この考えから来たと考えられています。バイオリンを習った人がピアノを早く覚えられるように、前に学んだことを生かせば、新しい課題を、少ないデータで、うまく学べるはずだ、という考えです。

機械学習の用語集では、ある課題から別の課題へ、情報を移すこと、と説明されています。例えば、データの多い課題で学んだことを、データの少ない課題に生かします。答えの付いたデータを集めるには、時間もお金もかかるので、少ないデータで済むことが大きな利点です。

なぜ、学んだことが別の課題にも役立つの?

写真を見分けるAIでは、前の方の層が、どの写真にも出てくる簡単な手がかりを学ぶからです。写真を見分ける深いネットワーク(層を何段も重ねた計算の仕組み)は、何の写真で学んでも、最初の層が、いろいろな向きのしま模様や、色のかたまりに反応するようになることが知られています。どの課題で学んでも似たものができるので、こうした手がかりは、ほかの課題にも使える、共通のものだと考えられます。

後ろの層ほど、元の課題に合わせた手がかりになります。2013年の研究では、2つ目の層は角に、3つ目の層はあみ目のような模様に、4つ目の層は犬の顔のような部品に、5つ目の層は犬やキーボードのような物全体に反応していました(詳しくは「深層学習」のページ)。最後の出口の層は、元の課題の答え(例えば1000種類の名前)を出すための層なので、新しい課題では取り替えます。

2014年の研究は、これを層ごとに確かめました。100万枚を超える写真の1000種類を、500種類ずつの2つの課題に分け、片方の課題で学んだネットワークの前から何層かを写して、もう片方の課題を学ばせたのです。前の2つの層は、ほとんど損をせずに借りられました。人が作った物と自然の物のように、違う課題どうしに分けると、後ろの層まで借りるほど、成績の下がり方が大きくなりました。

どうやって生かすの?

よく使われる形は2つです。どちらも、まず、学び終えたAIの層と中の数を写し、最後の出口の層だけを、新しい課題用に取り替えます。元の出口の層は、元の課題の答え(例えば1000種類の名前)と結び付いているからです。

1つ目は、借りた層を固定して変えず、新しい出口の層だけを学ばせる形です(特徴だけ借りる形。特徴抽出)。借りた層が写真から取り出した手がかりを、新しい答えに結び付ける所だけを学びます。固定するのは、学び直しで、借りた層に入っている情報を壊さないためです。

2つ目は、その後で固定を外し、借りた層の全部か一部も、新しいデータで学び直す形で、これがファインチューニングです。手がかりを、新しい課題に合うように少しずつ直します。ただ、新しいデータは少ないことが多いので、学ぶたびに中の数を直す幅(学習率)を大きくすると、すぐに過学習(学習データに合わせすぎて、本番で外すこと)を起こすおそれがあります。

AIを作る道具の手引きに、こんな例があります。犬と猫の写真2000枚で、犬か猫かを当てるAIを作ります。100万枚を超える写真で学んだネットワークを借り、固定したまま、新しく足した出口の層だけを学ばせると、正解率は約96%になりました。その後、後ろの方の層の固定を外してファインチューニングすると、98%近くまで上がりました。

データが少ないと、どれくらい違うの?

差は、とても大きくなることがあります。層が何に反応するかを調べた、上の2013年の研究は、同じ論文で、借りる効き目も確かめました。100万枚を超える写真で学んだネットワークの層を固定して借り、新しい出口の層だけを学ばせて、101種類の物の写真を見分けさせたのです。1種類あたり15枚の写真で学ぶと、正解率は83.8%でした。同じ作りのネットワークを、その写真だけで一から学ばせると、22.8%でした。1種類あたり30枚でも、86.5%と46.5%でした。

医療の画像でも使われています。2017年の研究は、大量の写真で学んだ、写真を見分けるAIを出発点にして、皮膚の病気の写真約13万枚で、全部の層をファインチューニングしました。皮膚がんと、がんでない似たもの(ほくろなど)を見分ける2つの課題で、皮膚科の専門医21人と同じくらいの成績でした。

言葉のAIでは、どう使われているの?

言葉のAIで転移学習が大きく広がったのは、2018年ごろです。その年の論文は、転移学習は写真の分野を大きく変えたのに、言葉の分野では、まだ課題ごとに一から学ばせることが多い、と指摘しました。そして、大量の文章で学んだ言葉のモデルをファインチューニングするやり方を示しました。文を種類に分ける課題で、答えを付けた例が100個だけでも、一から学ばせたモデルに100倍の例を使ったときと同じくらいの成績になりました。

写真の分野では、事前学習は、名前を付けた大量の写真で学ぶのが普通でした。言葉の分野では、答えを付けていない文章で事前学習することが多くなりました。次に来る言葉や、隠した言葉を当てる練習なら、答えは文章そのものに書いてあるからです(詳しくは「事前学習」のページ)。

事前学習やファインチューニングとは、どう違うの?

転移学習は、「学んだことを別の課題に生かす」という考え方の名前です。事前学習とファインチューニングは、その中の段と、やり方の名前です。

事前学習は、生かす元を作る段です。大量のデータで、多くの課題に役立つ土台を前もって学ばせます。写真なら名前を付けた大量の写真で、言葉なら答えを付けていない大量の文章で学ぶことが多いです。

ファインチューニングは、生かし方の1つです。借りた中の数を出発点にして、目的の課題のデータで少しずつ学び直します。もう1つの生かし方が、借りた層を固定して、出口の層だけを学ばせる形です(詳しくは「ファインチューニング」のページ)。

転移学習には、層を借りる形のほかの形もあります。1つのモデルに、いくつもの課題をこなさせる形(マルチタスク学習)も、転移学習の例として挙げられています。

うまくいかないことはあるの?

あります。元の課題と新しい課題が違いすぎると、借りたせいで、借りないときより成績が下がることがあります。これを「負の転移」と呼びます。機械学習では、2005年の研究が実験で見つけ、課題が違いすぎると、転移学習はかえって成績を下げうる、と結論しました。主な原因は、元のデータと新しいデータの違いだと考えられています。元のデータに間違いや乱れが多いときにも、起きることがあります。

違いが大きいほど、借りて得をする分は減ります。層ごとに確かめた、上の2014年の研究でも、人が作った物と自然の物という違う課題どうしでは、似た課題どうしより、後ろの層まで借りたときの成績の下がり方が、ずっと大きくなりました。

データが十分にあれば、借りても差が出ないことがあります。2019年の研究は、目の奥の写真約25万枚などを使う、データの多い医療の画像の課題では、借りても成績はほとんど変わらなかった、と報告しています。ただ、写真を5000枚に減らすと、大きなモデルでは、借りたほうが成績がよくなりました。

確認問題

  1. 問1写真を見分けるように学んだAIの、何段も重なった層を、別の写真の課題に借りる。ほかの課題にもそのまま役立ちやすいのは、どの層?

    答えと解説

    答え:A 入り口に近い、前の方の層

    入り口に近い前の方の層は、何の写真で学んでも、いろいろな向きのしま模様や色のかたまりのような、どの写真にも出てくる手がかりに反応するようになります。そこから後ろへ進むほど、元の課題に合わせた手がかりになり、最後の出口の層は元の課題の答えと結び付いているので、新しい課題では取り替えます。2014年の研究でも、前の2つの層は、ほとんど損をせずに別の課題へ借りられました。

    くわしくは → ポイント解説:なぜ、学んだことが別の課題にも役立つの?

  2. 問2AIの「転移学習」と「ファインチューニング」の関係として、正しいのはどれ?

    答えと解説

    答え:C ファインチューニングは、転移学習の1つ

    転移学習は、学んだことを別の課題に生かす、という考え方の名前で、ファインチューニングは、その生かし方の1つです。借りた中の数を出発点にして、新しい課題のデータで少しずつ学び直します。借りた層を固定し、新しい出口の層だけを学ばせる形も、転移学習のもう1つの生かし方なので、2つは同じものではありません。

    くわしくは → ポイント解説:事前学習やファインチューニングとは、どう違うの?

  3. 問32014年の研究で、写真を見分けるAIの学んだ層を、人が作った物の写真と、自然の物の写真という、2つの課題の間で借りた。借りる層を後ろの方まで増やすと、新しい課題の成績はどうなった?

    答えと解説

    答え:B 借りる層を増やすほど、成績が下がった

    人が作った物と自然の物のように違う課題どうしでは、後ろの方の層まで借りるほど、成績の下がり方が大きくなりました。後ろの層ほど、元の課題に合わせた手がかりになっているからです。元の課題と新しい課題が違いすぎると、借りないときより成績が下がることもあり、これを「負の転移」と呼びます。

    くわしくは → ポイント解説:うまくいかないことはあるの?

参考文献と確かめ方

このページは、上の資料をもとにAIが書き、書いたAIとは別のAIが、資料の本文と照らして確かめました(2026年11月18日)。理学の修士号と、高校理科の教員免許を持つ人も読んで確かめてから出しています。数字は、その時点のものです。わかりにくかったところ、誤りのご指摘、解説してほしい用語は、[email protected] へお寄せください。

AIの用語

AIの用語をすべて見る(58) →