AIFAIとMLの基礎
製造業の企業が、組み立てライン上の製品欠陥を検知する画像分類モデルを構築したいと考えています。ラベル付き欠陥画像は500枚しか用意できません。データサイエンティストは「数百万枚の画像で事前学習されたモデルの知識を活用し、少量データでも高精度なモデルを構築できる手法」を提案しました。この手法として最も適切なものはどれですか？
A転移学習（Transfer Learning）：事前学習済みモデルの汎用的な特徴表現を再利用し、少量データで特定タスクに適応させる
✓ 正解
事前学習済みモデルの汎用特徴表現を流用する転移学習は、ラベルデータが少ない場合に最も効果的。ImageNetなど大規模データで学習した特徴抽出器をファインチューニングすることで、500枚程度でも高精度な欠陥検知モデルを構築できる。
Bアンサンブル学習（Ensemble Learning）：複数の独立したモデルを組み合わせて予測精度や安定性を高める手法
アンサンブル学習は複数モデルを組み合わせてバイアス・バリアンスを下げる手法だが、各モデルのトレーニング自体に十分なデータが必要。500枚という少量データ問題を根本的に解決するアプローチではない。
C強化学習（Reinforcement Learning）：エージェントが試行錯誤を通じて報酬を最大化する行動方針を学習する手法
強化学習はエージェントと環境の相互作用から行動方針を最適化するパラダイムであり、画像分類のような教師あり学習タスクには適用しない。少量データの画像認識問題には対応していない。
D半教師あり学習（Semi-supervised Learning）：少量のラベルありデータと大量のラベルなしデータを組み合わせる手法
半教師あり学習はゼロから学習する際にラベルなしデータを活用する手法。問題文の「大規模事前学習モデルの知識を活用」という説明は転移学習を指しており、半教師あり学習とは前提が異なる。
解説
転移学習（Transfer Learning）は、大規模データセットで事前学習されたモデルが獲得した知識（エッジ・形状・テクスチャなどの汎用的な特徴表現）を新しいタスクに再利用する手法です。ImageNetなどで学習されたモデルをファインチューニングすることで、500枚程度の少量データでも高精度な欠陥検知モデルを構築できます。
選択肢Bのアンサンブル学習は複数モデルを組み合わせる手法ですが、各モデルのトレーニング自体に十分なデータが必要であり、少量データ問題の根本的な解決策ではありません。
選択肢Cの強化学習は試行錯誤で報酬を最大化する学習パラダイムであり、画像分類のような教師あり学習タスクには通常使用しません。
選択肢Dの半教師あり学習はラベルなしデータを活用しますが、問題文で求められる「大規模事前学習モデルの知識活用」は転移学習を指しており、半教師あり学習とは異なるアプローチです。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →