大規模な画像データセットで事前学習したモデルを、別の画像分類タスクに転移学習する場合の説明として、最も適切なものはどれか。
- 1事前学習したタスクと対象タスクのデータの性質がかけ離れているほど、転移学習による性能向上は大きくなりやすい。
- 2事前学習済みの重みを利用するため、対象タスクの学習にはラベル付きデータが一切不要になる。
- 3事前学習時と対象タスクで分類するクラス数が同じでなければ、転移学習は適用できない。
- 4事前学習で獲得した汎用的な特徴を活用できるため、対象タスクのデータが少なくても高い性能を得やすい。
正解と解説を見る
正解：4
大規模データで事前学習したモデルの層は、エッジやテクスチャなど多くのタスクに共通する特徴を捉えているため、少量のデータでも効率よく高い性能を得られます。ドメインがかけ離れていると効果が薄れたり、かえって性能が下がったり（負の転移）するため、1は誤りです。分類器として使う場合は通常ラベル付きデータが必要です。また、出力層を対象タスクのクラス数に合わせて付け替えればクラス数が違っても適用できるので、2と3も誤りです。転移学習の最大の利点は「少ないデータと計算資源で高い性能を得やすい」ことです。