大規模な画像データセットで事前学習済みの画像認識モデルを、少量の医療画像データセットに適用したいとします。元のモデルが獲得した学習済みパラメータ（重み）を初期値として活用し、医療画像データで追加学習するアプローチを何と呼びますか？
転移学習（Transfer Learning）は、大規模データで学習済みモデルが獲得した特徴抽出能力を、少量データの別タスクに活用する手法です。医療画像のように大量のラベル付きデータ収集が困難な場合に特に有効です。Amazon SageMaker JumpStart では、事前学習済みモデルを利用した転移学習を容易に実施できます。 選択肢A のアンサンブル学習は複数の独立したモデルを組み合わせて予測精度を向上させる手法であり、事前学習済みモデルの重みを初期値として再利用する概念とは異なります。 選択肢B の転移学習は、事前学習済みモデルの重みを初期値として別タスクの学習に活用する手法であり、少量の医療画像データセットへの適用に最も適したアプローチです。 選択肢C の連合学習はデータを中央に集約せず分散環境でモデルを共同学習するプライバシー保護手法であり、事前学習済みパラメータの活用とは無関係です。 選択肢D のアクティブラーニングは、モデル自身が学習に有益なデータを能動的に選択してラベリングコストを削減する手法であり、事前学習済みパラメータの活用とは無関係です。