迁移学习模型在小数据集上取得好效果的原因主要与其核心思想——利用已有的知识来加速新任务的学习——密切相关。首先，迁移学习通过将在一个或多个源任务上学习到的知识（如特征表示、模型参数等）迁移到目标任务上，从而减少了目标任务所需的训练数据量。这种方法特别适用于数据稀缺的场景，因为它不需要为每个任务收集大量的标注数据。
其次，迁移学习模型能够提高模型的泛化能力。在源任务上学习到的知识往往具有一定的通用性，这些知识可以帮助模型更好地理解和处理目标任务中的不确定性。因此，即使在数据量有限的情况下，迁移学习模型也能表现出较强的泛化性能。
此外，迁移学习还有助于解决数据不平衡问题。在实际应用中，不同任务的数据分布可能存在差异，导致某些类别或样本的数据量不足。通过迁移学习，可以利用源任务上的丰富数据来平衡目标任务的数据分布，从而提高模型的性能。
最后，迁移学习模型具有较好的鲁棒性。由于模型已经在源任务上进行了充分的训练，因此对目标任务中的噪声和异常值具有更强的抵抗能力。这种鲁棒性使得迁移学习模型在小数据集上能够保持稳定的性能。
综上所述，迁移学习模型在小数据集上取得好效果的原因包括：利用已有的知识来加速新任务的学习、提高模型的泛化能力、解决数据不平衡问题和增强模型的鲁棒性。