[2Win5] ポスターセッション2

[2Win5-56] CNN の中間層における特徴の汎化性と転移学習への応用

〇代 美月¹、神野 健哉¹ (1.東京都市大学)

キーワード：畳み込みニューラルネットワーク、クラス分類、転移学習

本研究は、畳み込みニューラルネットワーク（CNN）の各層における特徴表現の変化に着目し、特に浅い層が学習データセットに依存しない汎用的な特徴を抽出しているのかを検証することを目的とする。評価指標としてCentered Kernel Alignment（CKA）を用い、異なるデータセットで学習したCNNモデルの各層における特徴表現の類似度を定量的に評価した。その結果、浅い層では学習データセットに依存しない共通の特徴が保持されていることが示唆された。さらに、転移学習の最適化を目的とし、CKA類似度が低い層に対して追加学習（ファインチューニング）を適用することで、分類精度が向上することを確認した。本研究の成果は、CNNの内部構造の理解を深めるだけでなく、転移学習における効率的な学習戦略の確立にも貢献する。