少数ショット学習、ゼロショット学習、転移学習を理解する

人工知能（AI）システムは、人間の入力を最小限に抑えながら、顔の認識、画像の分類、自動車の運転などの複雑なタスクに対応できます。データを学習し、パターンを認識して、そのパターンを予測や意思決定に利用することで、これらのタスクを実行します。AIの進歩に伴い、AIモデルが学習・適応して、驚くほど効率的にタスクを実行する方法はますます高度になっています。

たとえば、コンピュータービジョンは、機械が世界の視覚情報を解釈して理解できるようにすることに重点を置いたAIの一分野です。従来のコンピュータービジョンモデルの開発では、学習用の大規模なアノテーション付きデータセットに大きく依存しています。こうしたデータの収集とラベル付けには、多くの時間とコストがかかります。

こうした課題に対処するため、研究者は、限られた例から学習する少数ショット学習（FSL）、未学習の物体を識別するゼロショット学習（ZSL）、事前学習済みモデルの知識を新しいタスクに応用する転移学習（TL）など、革新的な手法を導入しています。

この記事では、これらの学習パラダイムの仕組みを解説し、主な違いを取り上げるとともに、実際のアプリケーションを紹介します。

学習パラダイムの概要#

コンピュータービジョンにおける少数ショット学習、ゼロショット学習、転移学習とは何か、またそれぞれがどのように機能するのかを見ていきましょう。

少数ショット学習#

少数ショット学習とは、ごく少数の例だけを使って新しい物体を認識する方法をシステムに学習させる手法です。たとえば、ペンギン、ペリカン、ツノメドリの画像をモデルに数枚見せると、この小さなグループは「サポートセット」と呼ばれ、モデルはこれらの鳥の見た目を学習します。

後でペンギンなどの新しい画像をモデルに見せると、その画像をサポートセット内の画像と比較し、最も近いものを選びます。大量のデータ収集が難しい場合でも、少数の例だけでシステムが学習して適応できるため、この手法は有効です。

図1. 少数ショット学習の仕組みの概要です。

ゼロショット学習#

ゼロショット学習とは、対象の例を必要とせず、機械が一度も見たことのないものを認識する方法です。説明などの意味情報を使って、関連性を見いだします。

たとえば、猫、ライオン、馬について「小さくてふわふわ」「大型の野生のネコ科動物」「長い顔」といった特徴を理解している機械は、この知識を使ってトラなどの新しい動物を識別できます。トラを見たことがなくても、「ライオンに似ていて黒い縞模様がある動物」という説明を使って正しく識別できます。これにより、機械は大量のサンプルを必要とせずに学習し、適応しやすくなります。YOLOEのようなオープンボキャブラリー検出器は、テキストプロンプトだけから物体を特定することで、同じ考え方を物体検出に応用しています。

図2. ゼロショット学習は説明を使って新しい物体を識別します。

転移学習#

転移学習とは、あるタスクでモデルが学習した知識を、類似する新しいタスクの解決に役立てる学習パラダイムです。この手法は、物体検出、画像分類、パターン認識などのコンピュータービジョンタスクで特に有用です。

たとえばコンピュータービジョンでは、事前学習済みモデルが動物などの一般的な物体を認識し、その後、転移学習によるファインチューニングで、さまざまな犬種など特定の対象を識別できるようになります。以前のタスクで得た知識を再利用することで、転移学習は小規模なデータセットでのコンピュータービジョンモデルの学習を容易にし、時間と労力を節約します。

図3：転移学習の仕組みの概要。

どのようなモデルが転移学習に対応しているのか、気になる方もいるでしょう。Ultralytics YOLO11（後継モデルはUltralytics YOLO26です）は、転移学習ができるコンピュータビジョンモデルの好例です。最先端の物体検出モデルであり、まず大規模な汎用データセットで事前学習します。その後、特定のタスクに合わせて、小規模な専門データセットでファインチューニングやカスタム学習を行えます。

学習パラダイムの比較#

少数ショット学習、ゼロショット学習、転移学習について確認したところで、それぞれの違いを比較してみましょう。

図4. 少数ショット学習、ゼロショット学習、転移学習の主な違い。画像提供：著者。

少数ショット学習は、ラベル付きデータがわずかしかない場合に有用です。AIモデルがほんの数例から学習できるようになります。一方、ゼロショット学習ではラベル付きデータは不要です。代わりに、説明やコンテキストを使って新しいタスクに対応します。転移学習は異なるアプローチを取り、事前学習済みモデルの知識を利用することで、追加データを最小限に抑えながら新しいタスクに迅速に適応できます。各手法には、扱うデータやタスクの種類に応じた強みがあります。

さまざまな学習パラダイムの実世界での用途#

これらの学習パラダイムは、革新的な解決策によって複雑な問題を解決し、すでに多くの分野で変化をもたらしています。実世界での応用方法を詳しく見てみましょう。

少数ショット学習による希少疾患の診断#

少数ショット学習は、特に医用画像などの医療分野で非常に有用です。大量のデータを必要とせず、少数のサンプルや説明だけを使って、医師が希少疾患を診断するのに役立ちます。希少疾患の大規模データセットを収集するのは難しいことが多いため、データが限られている状況で特に役立ちます。

たとえば、SHEPHERDは、少数ショット学習と生物医学知識グラフを使って希少な遺伝性疾患を診断します。症状や検査結果などの患者情報を、既知の遺伝子や疾患のネットワークに対応付けます。これにより、データが限られている場合でも、遺伝的原因の可能性を特定し、類似症例を見つけるのに役立ちます。

図5：SHEPHERDモデルは、最小限のデータで希少疾患を診断します。

ゼロショット学習による植物病害検出の改善#

農業では、植物の病害を迅速に特定することが不可欠です。検出の遅れは、広範囲に及ぶ作物被害や収量の減少、大きな経済的損失につながる可能性があるためです。従来の手法は大規模なデータセットと専門知識に依存することが多く、特に遠隔地やリソースの限られた地域では、常に利用できるとは限りません。ここで、ゼロショット学習のようなAIの進歩が役立ちます。

農家がトマトとジャガイモを栽培していて、葉の黄変や褐色の斑点などの症状に気づいたとしましょう。ゼロショット学習を使えば、大規模なデータセットがなくても、疫病などの病害を特定できます。症状の説明を利用することで、モデルはこれまで見たことのない病害も分類できます。この方法は高速でスケーラブルであり、農家はさまざまな植物の問題を検出できます。作物の健康状態をより効率的に監視し、適切なタイミングで対処して損失を減らすのに役立ちます。

図6：ゼロショット学習による植物病害の識別。

自動運転車と転移学習#

自動運転車は、安全に走行するためにさまざまな環境に適応する必要があります。転移学習を使うと、学習を最初からやり直すことなく、既存の知識を活用して新しい状況に迅速に適応できます。車両が視覚情報を解釈するのに役立つコンピュータービジョンと組み合わせることで、これらのテクノロジーはさまざまな地形や気象条件での円滑な走行を実現し、自動運転の効率と信頼性を高めます。

実用例として、Ultralytics YOLO11を使って駐車スペースを監視する駐車場管理システムがあります。事前学習済み物体検出モデルであるYOLO11は、転移学習によるファインチューニングで、空き駐車スペースと使用中の駐車スペースをリアルタイムで識別できます。駐車場の画像を集めた小規模なデータセットでモデルを学習させることで、空きスペース、満車のスペース、さらには予約済みのエリアも正確に検出できるようになります。

図7：Ultralytics YOLO11を使った駐車場管理。

他のテクノロジーと統合することで、このシステムはドライバーを最寄りの空き駐車スペースへ案内し、探す時間と交通渋滞の削減に役立ちます。転移学習は、Ultralytics YOLO11がすでに備えている物体検出機能を活用することでこれを実現し、ゼロから始めることなく駐車場管理の特定のニーズに適応させます。このアプローチは時間とリソースを節約しながら、駐車場の運用を改善し、全体的なユーザーエクスペリエンスを高める、非常に効率的で拡張性の高いソリューションを生み出します。

学習パラダイムにおける新たなトレンド#

コンピュータービジョンにおける学習パラダイムの今後は、よりインテリジェントで持続可能なビジョンAIシステムの開発へと向かっています。特に、少数ショット学習、ゼロショット学習、転移学習を組み合わせたハイブリッドアプローチの活用が、拡大しているトレンドの一つです。これらの手法の長所を組み合わせることで、モデルは最小限のデータで新しいタスクを学習し、異なる領域に知識を適用できます。

興味深い例として、適応型ディープ埋め込みを利用し、過去のタスクから得た知識と少量の新しいデータでモデルをファインチューニングする方法があります。これにより、限られたデータセットを扱いやすくなります。

同様に、Xショット学習は、データ量が異なるタスクに対応するよう設計されています。弱教師あり学習を用いて、モデルは限られたラベルやノイズの多いラベルから学習します。また、明確な指示によって、事前の事例がほとんどない場合やまったくない場合でも、モデルがすばやく適応できるようにします。こうしたハイブリッドアプローチは、異なる学習手法を統合することで、AIシステムが課題により効果的に取り組めることを示しています。

重要なポイント#

少数ショット学習、ゼロショット学習、転移学習は、それぞれコンピュータービジョンの特定の課題に対応しており、異なるタスクに適しています。適切なアプローチは、用途と利用できるデータ量によって異なります。たとえば、少数ショット学習はデータが限られている場合に適しており、ゼロショット学習は未学習または未知のクラスを扱う場合に効果的です。

今後は、ビジョン、言語、音声を統合したハイブリッドモデルを作るために、これらの手法を組み合わせることが重要なテーマになると考えられます。こうした進歩は、AIシステムの柔軟性と効率性を高め、複雑な問題に取り組む能力を向上させることを目指しており、この分野に新たなイノベーションの可能性をもたらします。

コミュニティに参加し、GitHubリポジトリを確認して、AIについてさらに学びましょう。自動運転車におけるAIや農業におけるコンピュータビジョンが未来をどのように変えているかをご覧ください。まずはYOLOのライセンスオプションをご確認ください。