一位数据科学家正在调整一个深度学习目标检测模型，必须运行许多并行的超参数试验，尽早停止表现不佳的试验，并为有前景的试验分配更多资源。哪种超参数搜索技术可以在满足这些要求的同时最大限度地减少总计算时间？

Hyperband 是一种高效的超参数优化技术，它通过早期停止表现不佳的试验来节省计算资源，并为有前景的试验分配更多资源。这与问题描述中“尽早停止表现不佳的试验，并为有前景的试验分配更多资源”的需求完全一致，从而最大限度地减少了总计算时间。网格搜索（Grid search）和随机搜索（Random search）不具备早期停止机制，会浪费计算资源在劣质超参数组合上。贝叶斯优化（Bayesian optimization）虽然效率较高，但通常不直接支持并行试验的早期停止和资源分配策略，其主要优势在于通过构建代理模型来指导下一次试验，而不是像 Hyperband 那样通过多轮淘汰赛机制来优化资源分配。