Un científico de datos está ajustando un modelo de detección de objetos de aprendizaje profundo y debe ejecutar muchas pruebas de hiperparámetros en paralelo, detener las pruebas de bajo rendimiento anticipadamente y asignar más recursos a las pruebas prometedoras. ¿Qué técnica de búsqueda de hiperparámetros minimizará el tiempo total de cómputo al mismo tiempo que cumple con estos requisitos?

Hyperband es la técnica más adecuada porque está diseñada específicamente para optimizar el tiempo de cómputo al detener anticipadamente las configuraciones de bajo rendimiento y asignar más recursos a las configuraciones prometedoras. Utiliza un enfoque de múltiples etapas que evalúa un gran número de configuraciones con pocos recursos y luego promueve las mejores a etapas con más recursos. Grid search (búsqueda de cuadrícula) y Random search (búsqueda aleatoria) son menos eficientes porque no detienen las pruebas de bajo rendimiento anticipadamente ni asignan recursos de forma adaptativa, lo que resulta en un mayor tiempo de cómputo. Bayesian optimization (optimización bayesiana) es más eficiente que las búsquedas de cuadrícula o aleatoria, pero no incorpora la detención temprana ni la asignación de recursos de la misma manera que Hyperband, lo que la hace menos óptima para minimizar el tiempo total de cómputo bajo estas condiciones.