【G検定過去問風】特徴抽出とファインチューニングの違いを完全解説
※本記事では、アフィリエイトプログラムより教材を紹介しています。
📝 問題
事前学習モデルの重みパラメータを完全に固定（フリーズ）し、中間層から出力される特徴量だけを取り出して、別の識別器に入力して学習させる手法として、最も適切な選択肢を1つ選べ。
- A）ファインチューニング
- B）フルファインチューニング
- C）特徴抽出（Feature Extraction）
- D）プロンプトチューニング
🔍 ここをクリックして正解を見る
- 正解: C）特徴抽出（Feature Extraction）
💡 合格に近づく！徹底解説
- 重要度: ★★★
■ 1分で分かる！この問題の要点
- 事前学習モデルのベース部分を「完全に固定（フリーズ）」し、その中身を一切いじらずに特徴量だけを拝借する手法を「特徴抽出」と呼ぶ。
- 一方で、モデルの重み自体を再調整するのが「ファインチューニング」であり、この違いがG検定で非常に狙われやすい。
■ 初学者向け解説（例え話や背景）
すでにプロとして完成している「一流の職人（事前学習モデル）」を現場に迎えたときを想像してみてください。
- 特徴抽出： 職人の頭脳や技術（ベースの重み）は一切改造せず、職人が作った「中間成果物（特徴量）」だけを受け取って、最後の仕上げの作業だけを別の新米スタッフに担当させるような方法です。元をいじらないため安全で計算コストもかかりません。
- ファインチューニング： 職人本人に新しい職場のルールを教え込み、本人の技術や感覚（パラメータ）そのものを微調整して新環境になじんでもらう方法です。
■ 選択肢の解説
- A) ファインチューニング（×）: 事前学習モデルの一部またはすべてのパラメータを微調整する手法です。重みは固定されません。
- B) フルファインチューニング（×）: モデルのすべての層のパラメータを再学習する手法です。計算コストが非常に高くなります。
- C) 特徴抽出（○）: 事前学習モデルの重みを完全に固定し、出力される特徴量だけを利用して新しい識別器を学習させる手法です。
- D) プロンプトチューニング（×）: 入力テキストの先頭に学習可能な仮想ベクトルを付加して最適化する手法です。
👉 次の問題＆解説テキスト
お疲れ様です！
この調子で次の問題に挑戦しますか？
それとも、立ち止まって詳しい解説を確認しますか？
