本論文では、転移学習に使用される多数の事前学習済み深層ニューラルネットワーク（DNNs）、いわゆるチェックポイントのランキングについて考察します。DNNsの広範な利用により、さまざまなソースから数百ものチェックポイントを容易に収集することが可能です。それらの中で、どのチェックポイントが私たちの関心のある下流タスクに最も適切に転移するのでしょうか？この質問に徹底的に答えることを目指し、ニューラルチェックポイントランキングベンチマーク（NeuCRaB）を確立し、いくつかの直感的なランキング指標を研究しました。これらの指標は汎用的であり、チェックポイントがどのようなデータセットでどのように事前学習されたかを知らなくても、異なる出力タイプのチェックポイントに対して適用できます。また、計算コストが低いため、実用的な意味を持っています。我々の結果は、チェックポイントによって抽出された特徴量の線形分離可能性が転移性を示す強い指標であることを示唆しています。さらに、新しいランキング指標であるNLEEPも提案され、実験において最良の性能を達成しました。