機械学習（ML）スペシャリストは、企業向けにモデルを開発しています。このモデルは、ビデオに表示されるオブジェクトのシーケンスを分類し、予測します。MLスペシャリストは、畳み込みニューラルネットワーク（CNN）に続いて3層のリカレントニューラルネットワーク（RNN）分類器で構成されるハイブリッドアーキテクチャを使用することを決定しました。企業は以前、異なるオブジェクトセットを分類するために同様のモデルを開発し、トレーニングしました。MLスペシャリストは、以前にトレーニングされたモデルを活用し、現在のユースケースとオブジェクトセットに適応させることで時間を節約したいと考えています。どのステップの組み合わせが、最小の労力でこの目標を達成しますか？（2つ選択）
（2つ選択）
正解：D, E
CNNは、画像から空間的特徴（例：エッジ、形状、テクスチャ）を抽出する役割を果たします。以前のモデルは異なるオブジェクトセットでトレーニングされていますが、低レベルの特徴（例：エッジやパターン）は新しいオブジェクトセットにも適用可能な場合が多いです。トランスファーラーニングでは、CNNの初期層の重みを保持し、最後の全結合層（分類に特化した層）の重みを再初期化して新しいオブジェクトセットで再トレーニングするのが一般的です。これにより、CNNが新しいオブジェクトの特徴を学習しつつ、以前のモデルの知識を活用できます。このアプローチは、CNN全体を再トレーニングするよりも計算コストと時間を削減し、労力を最小化します。
RNNは、CNNから抽出された特徴のシーケンスを処理し、時系列的なパターンやオブジェクトの順序を予測します。以前のモデルは異なるオブジェクトセットを対象としていたため、RNNの最後の層（出力層）は新しいタスク（新しいオブジェクトのシーケンス予測）に適応させる必要があります。最後の層の重みを再初期化し、モデル全体（CNNとRNN）を新しいデータで再トレーニングすることで、シーケンス予測タスクに適応します。選択肢DでCNNの最後の層を調整済みのため、モデル全体の再トレーニングは、CNNの低レベル特徴とRNNのシーケンス学習能力を活用しつつ、新しいオブジェクトセットに最適化します。このプロセスは、ネットワーク全体の重みを再初期化するよりも効率的です。
コメント