← 목록으로
AI·데이터
#전이학습#사전학습#미세조정#도메인적응#부정적전이
최종 업데이트 · 2026-11-16

전이학습(Transfer Learning)

1. 개요

가. 정의

하나의 과업(Source Task)에서 대규모 데이터로 학습해 획득한 지식·표현(Representation) 을, 데이터가 적거나 학습이 어려운 다른 과업(Target Task)으로 옮겨(Transfer) 재사용함으로써, 적은 데이터·비용으로 높은 성능을 얻는 기계학습 패러다임.

전이학습의 전제는 "서로 다른 과업이라도 저수준 표현은 공유된다"는 관찰이다. 이미지의 모서리·질감, 언어의 문법·단어 의미처럼 밑바탕이 되는 특징은 과업이 달라도 재사용 가능하다. 그래서 매번 밑바닥(from scratch)부터 학습하는 대신, 이미 학습된 모델이 담고 있는 일반 지식을 출발점으로 삼아 목표 과업에 필요한 부분만 덧입힌다. 이는 영어를 익힌 사람이 스페인어를 더 빨리 배우는 것에 비유되며, '학습의 재사용'이라는 점에서 딥러닝 실용화의 핵심 동력이 되었다.

이 '표현 공유' 가설은 신경망의 계층적 구조로 설명된다. 심층 신경망의 하위층은 입력의 보편적·국소적 패턴을, 상위층으로 갈수록 과업에 특화된 추상적 패턴을 학습한다. 따라서 하위층은 과업 간 거의 그대로 재사용되고, 전이란 본질적으로 "공유 가능한 하위 표현은 물려받고, 과업 특화 상위 표현만 다시 짓는" 작업이 된다. 이 구조적 이해가 뒤의 '어느 층을 동결/재학습할 것인가' 전략의 이론적 근거가 된다.

나. 등장 배경 및 필요성

전통적 지도학습은 "학습 데이터와 시험 데이터가 같은 분포에서 나오고, 과업마다 충분한 레이블이 있다"고 가정한다. 그러나 현실의 의료·제조·금융 도메인은 레이블링 비용이 크고 데이터가 희소하며, 분포도 수시로 바뀐다. 과업마다 수백만 장을 모아 거대 모델을 처음부터 학습하는 것은 대부분의 조직에 비현실적이다. 전이학습은 이 간극을 메운다. ImageNet·대규모 말뭉치처럼 풍부한 데이터로 미리 학습한 모델을 공용 자산으로 삼아, 목표 과업에는 소량 데이터만으로 적응시킨다.

이 흐름은 2012년 AlexNet 이후 CNN 특징이 다른 비전 과업으로 잘 전이된다는 사실이 확인되며 본격화되었고, 2018년 BERT·GPT 등 사전학습-미세조정(Pre-train & Fine-tune) 패러다임이 자연어처리를 지배하면서 사실상 표준이 되었다. 오늘날 파운데이션 모델·LLM은 모두 대규모 전이학습의 산물이며, 실무에서 "모델을 만든다"는 말은 대개 "공개 사전학습 모델을 전이한다"는 의미에 가깝다.

필요성을 정리하면 세 가지다. 첫째는 경제성으로, 거대 모델을 처음부터 학습할 자본·데이터를 갖춘 조직은 극소수이므로 나머지는 전이에 의존할 수밖에 없다. 둘째는 속도로, 시장 출시 기간이 핵심 경쟁력인 상황에서 밑바닥 학습의 수주~수개월은 감당하기 어렵다. 셋째는 품질로, 소량 데이터만으로 높은 정확도를 확보하려면 사전학습이 담은 일반 지식의 힘을 빌리는 것이 가장 확실하다. 이 세 축이 맞물려 전이학습은 '있으면 좋은 기법'에서 '없으면 성립하지 않는 전제'로 격상되었다.

다. 특징

전이학습은 ① 데이터 효율성(적은 레이블로 수렴), ② 학습 속도 향상(좋은 초기값에서 출발), ③ 일반화 성능 개선(풍부한 사전 지식이 과적합 억제)이라는 세 가지 실용적 이점을 갖는다. 이 세 이점은 서로 맞물려 작동한다. 좋은 초기값에서 출발하면 손실 함수의 더 유리한 영역에서 최적화를 시작하므로 적은 반복으로 수렴하고(속도), 그 과정에서 소량 데이터만으로도 안정적인 해를 찾으며(효율성), 사전학습이 담은 일반 지식이 일종의 암묵적 정규화로 작용해 과적합을 억제한다(일반화).

반면 소스·타깃 과업이 지나치게 다르면 오히려 성능이 떨어지는 부정적 전이(Negative Transfer) 위험을 내포한다. 또한 외부 사전학습 모델에 담긴 편향·취약점이 그대로 타깃 서비스로 전파될 수 있어, 전이는 '지식의 재사용'인 동시에 '위험의 재사용'이기도 하다. 따라서 전이학습은 무조건적 이득이 아니라, 소스 선택·전이 범위·검증을 포함한 설계 의사결정의 문제로 다루어야 한다.

2. 전이학습의 구조와 분류

flowchart LR
  subgraph S["소스 도메인(대규모 데이터)"]
    SD["Source Data"] --> PT["사전학습 모델<br/>Pre-trained Model"]
  end
  PT -->|"지식·가중치 이전"| TM["타깃 모델"]
  subgraph T["타깃 도메인(소규모 데이터)"]
    TD["Target Data"] --> TM
    TM --> OUT["목표 과업 성능"]
  end
  style PT fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style TM fill:#fef3e8,stroke:#ed8a2f,stroke-width:2px

전이학습은 "무엇을(What), 어떻게(How), 언제(When) 옮기는가"의 세 질문으로 구조화된다. 무엇을 옮기느냐에 따라 인스턴스·특징표현·파라미터·관계지식 전이로 나뉘고, 어떻게 옮기느냐에 따라 특징추출형과 미세조정형으로 갈린다. 언제 옮기지 '말아야' 하는가는 부정적 전이를 피하는 문제와 직결된다.

도메인과 과업의 동일성 여부로 분류하면 아래와 같다. 이 분류가 중요한 이유는 레이블 가용성과 분포 차이가 적용할 기법을 결정하기 때문이다. 예컨대 레이블이 아예 없으면 도메인 적응(비지도)이, 레이블이 소량이라도 있으면 미세조정이 유효하다.

유형 도메인 과업 대표 상황
귀납적(Inductive) 전이 동일/유사 다름 타깃 레이블 있음 — 사전학습 후 미세조정
전이적(Transductive) 전이 다름 동일 타깃 레이블 없음 — 도메인 적응(Domain Adaptation)
비지도(Unsupervised) 전이 다름 다름 양쪽 모두 레이블 희소 — 표현학습 중심

가. 특징추출(Feature Extraction) 방식

사전학습 모델을 동결(Freeze) 하고, 마지막 분류기(Head)만 새로 학습하는 방식이다. 모델의 중간층 출력(임베딩)을 고정된 특징 추출기로 활용하는 것으로, 학습 대상이 극소수라 데이터가 매우 적을 때·과적합이 우려될 때 적합하다. 예컨대 수백 장뿐인 의료 영상 분류에서 ImageNet 사전학습 CNN의 특징을 뽑아 로지스틱 회귀/SVM에 넣는 것만으로도 상당한 성능을 얻는다.

이 방식이 적은 데이터에서 강한 이유는 학습해야 할 파라미터가 분류기 한 층에 국한되어, 모델이 외워버릴 자유도 자체가 작기 때문이다. 연산 비용도 낮아, 한 번 뽑아둔 임베딩을 캐시해 여러 실험을 빠르게 반복할 수 있다는 실무적 장점이 있다. 다만 소스·타깃 분포가 크게 다르면 고정된 특징이 타깃에 맞지 않아 한계가 있고, 이때는 미세조정으로 전환하거나 중간층을 선택적으로 푸는 절충이 필요하다.

나. 미세조정(Fine-tuning) 방식

사전학습 가중치를 초기값으로 삼아 일부 또는 전체 층을 추가 학습하는 방식이다. 일반적으로 입력에 가까운 하위층은 범용 특징(모서리·형태) 을 담아 동결하고, 출력에 가까운 상위층은 과업 특화 특징을 담으므로 재학습한다. 데이터가 상대적으로 많을수록 더 깊은 층까지 풀어 학습하며, 이때 학습률을 작게(사전 지식 파괴 방지) 두는 것이 정석이다. 미세조정은 특징추출보다 성능 상한이 높지만 과적합·파국적 망각 위험이 크다.

다. 도메인 적응(Domain Adaptation)

소스·타깃의 과업은 같되 데이터 분포가 다른(공변량 변화, Covariate Shift) 상황을 다룬다. 핵심 아이디어는 두 도메인의 특징 분포를 정렬(Align) 해 도메인 불변(Domain-Invariant) 표현을 학습하는 것이다. 대표적으로 DANN(Domain-Adversarial Neural Network) 은 도메인 판별기를 적대적으로 두어, 특징 추출기가 "소스인지 타깃인지 구분 못 할" 표현을 만들도록 유도한다. 예를 들어 주간 도로 영상으로 학습한 자율주행 인식 모델을 야간·우천 환경(타깃)에 적응시키는 데 쓰인다.

도메인 적응이 중요한 이유는 현실의 분포가 고정되어 있지 않기 때문이다. 센서가 교체되거나 계절이 바뀌거나 사용자 집단이 달라지면 입력 분포가 이동하고, 이때 원 모델의 성능은 급락한다. 적응 기법은 타깃 레이블이 전혀 없어도(비지도) 타깃의 입력 분포만 활용해 표현을 맞추므로, 레이블링이 불가능한 운영 환경에서 특히 유용하다. DANN 외에도 통계적 거리(MMD)를 최소화하는 방식, 소스 특징을 타깃 스타일로 변환하는 생성 기반 방식 등 다양한 계열이 있으며, 모두 "분포 차이를 어떻게 측정하고 줄이느냐"라는 하나의 질문을 공유한다.

라. 멀티태스크·메타학습과의 관계

멀티태스크 학습은 여러 과업을 동시에 학습해 공유 표현을 얻는 방식으로, '순차적 전이'인 전이학습과 달리 '동시적 전이'에 해당한다. 여러 과업이 서로의 학습 신호를 보강해주므로 각 과업이 단독 학습보다 일반화가 좋아지는데, 이는 과업 간에 공유되는 구조가 모델을 더 범용적인 표현으로 밀어붙이기 때문이다. 메타학습(Learning to Learn) 은 다수 과업에서 "빠르게 적응하는 방법 자체"를 학습해, 소수 샷(Few-shot)만으로 새 과업에 적응한다(예: MAML). 둘 다 넓은 의미의 전이학습 범주에 포함되며, 데이터가 극히 적은 상황에서 상호보완적으로 쓰인다.

세 개념의 관계를 정리하면, 전이학습이 "한 과업에서 다른 과업으로의 지식 이동"이라는 상위 개념이고, 멀티태스크 학습은 그 지식을 '동시에' 공유하는 변형, 메타학습은 '적응 능력 자체'를 전이 대상으로 끌어올린 변형이다. 실무에서는 대규모 멀티태스크 사전학습으로 범용 표현을 만든 뒤, 이를 개별 과업에 전이하고, 데이터가 극소수인 꼬리(long-tail) 과업에는 메타학습·Few-shot을 얹는 식으로 세 기법이 계층적으로 결합된다.

3. 적용 절차와 핵심 메커니즘

flowchart TD
  A["1.소스 모델 선정<br/>과업 유사성 평가"] --> B["2.전이 전략 결정<br/>동결 vs 미세조정"]
  B --> C["3.모델 구조 조정<br/>Head 교체·층 선택"]
  C --> D["4.학습<br/>작은 학습률·조기종료"]
  D --> E["5.평가·검증<br/>부정적 전이 점검"]
  E -->|"성능 미달"| B
  E -->|"충족"| F["6.배포·모니터링"]
  style D fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px

전이의 성패는 "얼마나 옮기고(How much), 어디를 풀 것인가(Where)"의 결정에 달려 있다. 이 결정은 ① 소스-타깃의 과업 유사도, ② 타깃 데이터 규모라는 두 축으로 판단한다. 아래 4분면 전략은 실무의 표준 지침으로 널리 쓰인다.

타깃 데이터 \ 유사도 유사도 높음 유사도 낮음
데이터 적음 특징추출(동결)만 — 과적합 회피 어려움 — 중간층 특징 활용·데이터 증강 병행
데이터 많음 상위 일부 미세조정 전체 미세조정(사실상 초기값만 활용)

이 지침의 근거는 분명하다. 데이터가 적을 때 많은 파라미터를 풀면 과적합되므로 동결 범위를 넓히고, 데이터가 많으면 풀어도 안전하므로 미세조정 범위를 넓힌다. 유사도가 낮으면 상위층 특징이 맞지 않으므로 더 하위층까지 재학습해야 한다. 실제로 구글의 한 연구(Transfusion, 2019)에서는 ImageNet 사전학습이 의료 영상처럼 분포가 매우 다른 과업에서는 이득이 작고, 오히려 작은 맞춤형 모델이 비등한 성능을 낸다고 보고해, "유사도가 낮으면 전이 효과가 감소한다"는 원리를 뒷받침한다. 이는 전이를 기계적으로 적용하기보다 도메인 특성에 따라 전략을 달리해야 함을 보여주는 대표 사례다.

학습 단계의 메커니즘도 중요하다. 미세조정 시에는 사전 지식이 급격히 파괴되지 않도록 작은 학습률과 조기 종료(Early Stopping) 를 쓰고, 층별로 학습률을 다르게 주는 판별적 미세조정(Discriminative Fine-tuning) 이나, 초반에 학습률을 서서히 높였다 낮추는 점진적 해동(Gradual Unfreezing) 기법으로 망각을 완화한다. 이들 기법은 모두 "사전학습이 찾아둔 좋은 해 주변을 조심스럽게 탐색한다"는 공통 원리에서 비롯된다.

구체적 예로 1,000장 규모의 공장 제품 결함 분류를 생각해보자. 밑바닥 학습은 과적합으로 정확도가 70%대에 머물 수 있지만, ImageNet 사전학습 ResNet의 하위층을 동결하고 상위 일부만 미세조정하면 동일 데이터로 90% 이상까지 올라가는 경우가 흔하다. 데이터를 10배 늘리기 어려운 현장에서, 전이학습은 '데이터를 늘리는 대신 지식을 빌려오는' 현실적 해법이 된다. 반대로 소스가 부적합하면 이 이득이 사라지거나 역전되므로, 전략 선택과 검증이 성패를 가른다.

가. 부정적 전이(Negative Transfer)와 완화

부정적 전이는 소스 지식이 오히려 타깃 성능을 해치는 현상이다. 소스·타깃이 무관하거나, 소스에 타깃과 상충하는 편향이 있을 때 발생한다. 완화책으로는 ① 전이가능성(Transferability) 사전 측정(예: LEEP·H-score 같은 지표로 소스 적합도 평가), ② 관련성 높은 소스 선별, ③ 작은 학습률·정규화로 사전 지식 보존 강도 조절이 있다. 예컨대 금융 사기 탐지에 전혀 다른 도메인의 모델을 가져오면 성능이 밑바닥 학습보다 못할 수 있어, 반드시 검증 세트로 전이 효과를 확인해야 한다.

부정적 전이가 위험한 이유는 그것이 눈에 잘 띄지 않기 때문이다. 전이 모델이 어느 정도 작동하면 개발자는 "그래도 전이 덕"이라고 믿기 쉽지만, 실제로는 밑바닥 학습이 더 나았을 수 있다. 따라서 전이 효과의 판단 기준은 항상 '전이 모델의 절대 성능'이 아니라 '동일 조건 밑바닥 학습 대비 상대 이득' 이어야 한다. 이 대조군 비교를 생략하면 전이학습은 검증되지 않은 가정 위에 서게 된다.

나. LLM 시대의 전이학습

LLM은 전이학습의 정점이다. 웹 규모 코퍼스로 자기지도 사전학습을 수행한 뒤, 하위 과업에 ① 미세조정(SFT·PEFT/LoRA), ② 프롬프트·인컨텍스트 학습(파라미터 갱신 없는 추론 시점 전이), ③ 지식증류(큰 모델→작은 모델로 능력 이전)로 적응시킨다. 특히 인컨텍스트 학습은 가중치를 바꾸지 않고 예시만으로 과업을 전이한다는 점에서 전통적 전이학습과 구별되는 신(新)양식으로 주목된다.

이 세 경로는 비용과 유연성에서 뚜렷한 트레이드오프를 보인다. 미세조정은 모델에 지식을 영구적으로 각인해 일관성이 높지만 과업마다 학습·배포 부담이 있고, 인컨텍스트 학습은 즉시 적용 가능하나 매 추론마다 예시를 넣어야 해 토큰 비용과 컨텍스트 한계가 따른다. 지식증류는 운영 비용을 낮추는 대신 증류 과정의 손실을 감수한다. 실무에서는 "빈번·고정 과업은 미세조정, 가변·탐색 과업은 프롬프트"로 조합하는 하이브리드 전략이 정착되고 있다.

여기에 외부 지식을 결합하는 RAG(검색증강생성) 는 모델 가중치를 바꾸지 않고 지식을 '전이'하는 또 다른 양식으로, 최신성·출처 추적이 중요한 기업 환경에서 미세조정의 대안 혹은 보완으로 널리 쓰인다. 결국 LLM 시대의 전이는 '파라미터를 바꾸는 전이'와 '컨텍스트로 주입하는 전이'라는 두 축으로 확장되었다고 볼 수 있다.

4. 기존 기계학습과의 비교

구분 전통적 지도학습 전이학습
데이터 가정 학습·시험 동일 분포, 과업별 충분한 레이블 소스·타깃 분포/과업 상이 허용
학습 출발점 무작위 초기화(from scratch) 사전학습 가중치(warm start)
데이터 요구량 많음 적어도 가능
주요 위험 데이터 부족 시 과적합 부정적 전이

두 접근의 차이가 생기는 근본 이유는 "지식을 매번 새로 얻느냐, 재사용하느냐"에 있다. 전통적 방식은 과업마다 독립적이어서 데이터·연산이 선형적으로 늘지만, 전이학습은 한 번 학습한 표현을 자산화해 한계비용을 낮춘다. 이는 소프트웨어의 재사용(Reuse)이 생산성을 끌어올리는 원리와 같으며, MLOps 관점에서 사전학습 모델 허브(Hugging Face 등)는 '모델 재사용 생태계'로 기능한다.

구체적 수치로 보면 차이가 분명하다. 밑바닥 학습은 과업마다 수만수백만 건의 레이블과 수십수백 GPU시간을 요구하지만, 전이학습은 동일 과업을 수백~수천 건의 레이블과 수 GPU시간 이내로 근접 성능에 도달시키는 경우가 많다. 즉 데이터·연산을 한 자릿수 이상 절감하는 것이 전이학습의 실질적 가치다. 다만 이 절감은 '적절한 소스를 골랐을 때'만 성립하므로, 비교의 결론은 "전이는 공짜가 아니라 소스 선택이라는 새로운 설계 책임을 수반한다" 로 요약된다.

5. 심화 — 산업 적용 사례와 최신 동향

전이학습은 이미 산업 전반에 깊이 침투했다. 의료 분야에서는 ImageNet·방대한 흉부 X선으로 사전학습한 모델을 희귀질환 판독에 전이해, 수백 건의 데이터만으로 전문의 수준에 근접한 사례가 보고된다. 제조 분야에서는 한 생산라인의 결함 탐지 모델을 신규 라인·신제품으로 전이해 재학습 기간을 수주에서 수일로 단축한다. 금융에서는 범용 언어모델을 금융 문서로 추가 사전학습(Domain-Adaptive Pre-training)한 BloombergGPT·KB-ALBERT류가 대표적이다.

이 외에도 자연어처리 전반은 BERT·GPT 계열 사전학습 모델을 감성분석·개체명인식·질의응답 등 수십 개 하위 과업으로 전이하는 방식이 표준이 되었고, 음성·자율주행·추천 등에서도 대규모 사전학습 후 도메인 적응을 거치는 공식이 반복된다. 공통점은 "데이터가 풍부한 범용 과업에서 번 지식을, 데이터가 귀한 전문 과업으로 환류한다"는 것이며, 이 환류 구조가 AI 적용 범위를 데이터가 부족한 영역까지 넓힌 결정적 요인이다.

종합하면 전이학습은 더 이상 선택적 기법이 아니라 현대 AI 개발의 기본 작업 방식이 되었다. 거대 사전학습 모델이 공개 자산으로 쌓이고, PEFT가 적응 비용을 낮추며, 전이가능성 추정이 소스 선택을 자동화해가는 흐름 속에서, 앞으로 조직의 AI 역량은 '얼마나 많은 데이터를 가졌는가'보다 '공용 모델 자산을 얼마나 영리하게 전이·운영하는가'로 측정될 가능성이 크다.

최신 동향으로 첫째, 파운데이션 모델 중심의 전이가 보편화되어 비전·언어·멀티모달 모두 "거대 사전학습 → 경량 적응"이 기본 공식이 되었다. 둘째, PEFT(LoRA·QLoRA·Adapter) 로 전체의 1% 안팎 파라미터만 학습해 단일 GPU로도 전이가 가능해지면서, 전이의 비용 장벽이 급격히 낮아졌다. 셋째, 전이가능성 추정(Transferability Estimation) 연구가 활발해, 수많은 사전학습 모델 중 어느 것을 가져올지 학습 전에 예측하는 지표(LEEP, LogME 등)가 제시되고 있다. 넷째, 연합학습·프라이버시 보존 전이가 부상해, 원본 데이터를 공유하지 않고 모델 지식만 이전하는 방향이 의료·금융 규제 환경에서 주목된다.

국내(한국)에서도 전이학습은 공공·산업 AI의 핵심 기반으로 자리잡고 있다. 예컨대 한국어 특화 사전학습 모델(KoBERT·KoGPT·KB-ALBERT 등)은 영어 중심 모델을 그대로 쓸 때의 성능 저하를 피하기 위해 한국어 코퍼스로 추가 사전학습(Domain-Adaptive Pre-training)한 전형적 전이 사례다. 또한 AI 허브·공공데이터를 활용해 소량 레이블 과업에 전이하는 방식이 중소기업·공공기관의 AI 도입 비용을 낮추는 수단으로 권장되고 있다. 이처럼 전이학습은 "거대 모델을 가진 소수"와 "데이터가 적은 다수"를 잇는 AI 보편화의 가교로 기능한다.

6. 고려사항 및 시사점

기술사 관점에서 전이학습 도입 시 다음을 종합적으로 고려해야 한다.

  • 전이가능성 사전 검증(적용 전략): 소스-타깃 유사도와 전이가능성 지표를 학습 전에 평가하고, 반드시 밑바닥 학습 대비 성능을 검증 세트로 확인해 부정적 전이를 배제한다. "사전학습 모델이면 무조건 낫다"는 가정을 금물로 둔다.
  • 데이터·연산 트레이드오프: 타깃 데이터 규모·유사도에 따라 동결/미세조정 범위를 결정한다. 데이터가 적으면 동결 중심·강한 정규화로 과적합을, 많으면 미세조정 확대로 성능 상한을 취한다. PEFT로 연산·저장 비용을 최소화하는 설계를 우선 검토한다.
  • 거버넌스·라이선스·보안: 외부 사전학습 모델은 학습 데이터 출처·라이선스·편향·백도어 리스크를 내포한다. 모델 이력(Model Card)·SBOM 수준의 추적성을 확보하고, 공급망 보안 관점에서 신뢰 가능한 모델 허브만 사용한다. 전이된 편향이 타깃 서비스로 전파되지 않도록 공정성 평가를 병행한다.
  • 지속 운영·분포 변화 대응(전망): 배포 후 데이터 분포 변화(Drift)로 전이 효과가 감소할 수 있으므로, 모니터링·재전이(Re-fine-tuning) 주기를 MLOps 파이프라인에 내재화한다. 장기적으로는 파운데이션 모델·연합학습·메타학습과 결합해, 소량 데이터·프라이버시 제약 하에서도 빠르게 적응하는 지속 적응형 AI로 진화할 전망이다.
  • 인재·조직 역량(전망): 전이학습의 실익은 '어떤 사전학습 모델을 어떻게 적응시킬지'를 판단하는 역량에 좌우되므로, 조직은 모델 선택·전이가능성 평가·튜닝 노하우를 내재화해야 한다. 데이터 자체보다 모델 자산을 다루는 역량이 경쟁력이 되는 방향으로 AI 조직의 무게중심이 이동하고 있다.
  • 연계 기술: 파인튜닝(PEFT/LoRA)·파운데이션 모델·자기지도학습·연합학습·지식증류·도메인 적응과 긴밀히 연계되며, 이들을 조합해 조직의 데이터·규제·비용 제약에 맞는 최적 전이 전략을 설계하는 것이 핵심이다.

참고자료


한 줄 요약: 전이학습은 대규모 데이터로 학습한 표현을 데이터가 적은 새 과업으로 재사용하는 패러다임으로, 특징추출·미세조정·도메인 적응 전략을 데이터 규모와 과업 유사도에 맞춰 선택하되 부정적 전이를 반드시 검증해야 한다.