一个简单的神经网络的验证性能最初有所改善，但在经过一定数量的 epoch 后会恶化。以下哪项更改有助于防止这种性能下降？（选择两项）

当神经网络的验证性能在一定数量的 epoch 后恶化时，这通常是过拟合的迹象。 启用 early stopping 是一种有效的策略，它会在验证性能停止改善时提前终止训练，从而防止模型在训练数据上过度学习，避免过拟合。 增加网络层中的 dropout rates 也能有效减少过拟合。Dropout 会随机关闭一部分神经元，迫使网络学习更鲁棒的特征表示，而不是依赖于少数几个特定的神经元。 向网络添加更多层或增加每层的神经元数量通常会增加模型的复杂度，这在模型已经过拟合的情况下，反而可能加剧过拟合问题。调查并缓解模型偏差的来源虽然重要，但它主要解决的是模型泛化能力差或在特定群体上表现不佳的问题，而不是直接解决训练过程中验证性能恶化（过拟合）的问题。