深層学習モデルは画像分類において最先端の性能を実現していますが、計算コストとエネルギー消費の課題により、実運用環境への導入が困難になっています。新たな研究では、こうした課題に対処するための軽量な訓練戦略が提案されました。提案手法は、モデルの正規化層を新しいドメインに適応させつつ、特徴抽出と分類器の最適化を分離することで、訓練効率を大幅に向上させます。特徴量は一度だけ事前計算されるため、繰り返しの計算オーバーヘッドが削減されます。 分類器のヘッドは新たに設計され、マージンベースの加重損失関数を採用することで、エンドツーエンドの逆伝播を経由せずに曖昧性を最小化します。この効率的なアプローチは、計算資源が限定された臨床環境やプロトタイピング環境での実用性を大きく改善します。 研究チームは、ResNet18、ResNet50、MobileNet、DenseNet121といった4つのCNNアーキテクチャに加えて、ViT、Swin、DeiTなどの3つのTransformerモデルを使用して検証しました。Brain Cancer MRI、BreakHis、PatchCamelyonという3つの医療画像データセットでの評価結果から、提案手法は訓練時間を大幅に削減しながらも、精度の低下はわずかに留まり、多くの場合でベースライン性能と同等またはそれ以上の性能を達成しています。 このような効率化により、二酸化炭素排出量を数桁のレベルで削減することが可能となり、環境負荷を軽減しながら実用的な解決策を提供します。特に資源制約のある臨床現場やプロトタイピング環境において、持続可能な深層学習の運用が実現されることになるでしょう。