Um cientista de dados está ajustando um modelo de detecção de objetos de deep learning e precisa executar muitos testes de hiperparâmetros em paralelo, interromper testes com baixo desempenho precocemente e alocar mais recursos para testes promissores. Qual técnica de busca de hiperparâmetros minimizará o tempo total de computação ao mesmo tempo em que atende a esses requisitos?

Hyperband é a técnica mais eficiente para este cenário porque ela otimiza a busca de hiperparâmetros ao alocar recursos adaptativamente. Ela executa vários testes em paralelo, mas usa um algoritmo de descarte antecipado (early stopping) para parar testes com baixo desempenho, liberando recursos para configurações mais promissoras. Isso minimiza o tempo total de computação em comparação com outras técnicas. Grid search e Random search não possuem o mecanismo de descarte antecipado e alocação adaptativa de recursos, desperdiçando tempo em configurações ruins. Bayesian optimization é mais eficiente que Grid e Random search, mas não possui a capacidade de descarte antecipado e alocação de recursos em estágios, o que o Hyperband faz de forma superior para minimizar o tempo total.