ファインチューニング (Fine Tuning)
ファインチューニングとは、既存の深層学習モデルを特定のタスクに最適化する手法です。
ゼロからモデルを構築するのに比べて、少ないデータ量と計算コストで高精度なモデルを効率的に作成できることが最大の特徴です。
これにより新しいタスクのためにモデルを最適化し、より高い精度で学習させることができます。
転移学習との違い：ファインチューニングの特徴と位置づけ
ファインチューニングは転移学習の手法の一つですが、一般的な転移学習（出力層付近のみを再学習）とは異なり、モデル全体の重みを調整します。
計算コストは若干増加しますが、より大幅な精度向上が期待できます。
CAEサロゲートモデルにおけるファインチューニングの活用
CAEのサロゲートモデル構築において、条件変更時に一からモデルを再構築する必要がなく、少数の追加データで迅速に高精度な予測モデルを構築できます。
NCSでいう転移学習はファインチューニングのことで、ネットワーク全体の重みを調整します。