負の転移とは、転移学習において、すでにあるタスクで得た知識を別の新しいタスクへ応用した際に、かえってモデルの学習効率や予測精度を低下させてしまう現象のことです。知識が不適切に混ざることで発生します。
負の転移とは
負の転移とは、ある学習済みモデルの知識を別の新しいタスクの訓練に利用した際、モデルの性能がかえって悪化してしまう現象のことです。
詳しく解説
機械学習の分野において、転移学習は限られたデータから効率よくモデルを学習させるための重要な手法です。しかし、元のタスクと新しいタスクの間に関係性が薄かったり、類似性が低い特徴が含まれていたりすると、学習プロセスにおいて誤った知識の関連付けが行われてしまいます。その結果、モデルが本来獲得すべき最適な特徴量を捉えられなくなり、ゼロから学習させた場合よりも精度が低下するという問題が生じます。
具体例・使われ方
例えば、犬や猫を識別するために画像認識モデルで学習した知識を、全く関係のない工業製品の微小なキズ検出タスクに応用しようとした場合、生物の形状に最適化された特徴抽出器がノイズとなり、キズの正確な検出を妨げてしまうケースが挙げられます。
似た用語との違い
一般的な過学習がモデル自身の訓練データに対する過剰適合を指すのに対し、負の転移は「外部の異なるタスクから持ち込んだ知識が有害に働く」という点で明確に区別されます。
注意点
転移学習を行う際には、転移元と転移先のドメインの類似性を事前に慎重に評価する必要があります。知識をどのレイヤーまで共有するかを調整するファインチューニングの設計や、不要な情報を排除するフィルタリング技術を用いることが、負の転移を防ぐ上で重要となります。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年8月30日 03:31