↑: [[G検定に関する知識]] - 事前学習済みモデル知識（重みパラメータ）を別タスクの初期値として再利用する手法 - **事前学習モデルをそのままでは高精度は出ない** ← 重要 - 通常は新タスクのデータで[[ファインチューニング]]（微調整）が必要 - メリット - 少ないデータ・計算コストで高精度を達成できる - データが少ないタスクでも精度向上に役立つ - 例: ImageNetで学習済みモデル→医療画像分類のファインチューニング - BERTやGPTを使うのが当たり前になった現代では事実上の前提条件 - cf. [[ファインチューニング]], [[事前学習-G検定]]