Un scientifique des données ajuste un modèle de détection d'objets par apprentissage profond et doit exécuter de nombreux essais d'hyperparamètres en parallèle, arrêter prématurément les essais peu performants et allouer plus de ressources aux essais prometteurs. Quelle technique de recherche d'hyperparamètres minimisera le temps de calcul total tout en répondant à ces exigences ?

Hyperband est la technique la plus appropriée car elle est conçue pour optimiser l'allocation des ressources de calcul en arrêtant prématurément les essais peu performants et en allouant plus de ressources aux essais prometteurs. Cela permet de minimiser le temps de calcul total tout en explorant efficacement l'espace des hyperparamètres. La recherche par grille et la recherche aléatoire explorent l'espace des hyperparamètres sans stratégie d'arrêt précoce ni d'allocation dynamique des ressources, ce qui les rend moins efficaces en termes de temps de calcul. L'optimisation bayésienne est plus efficace que la recherche par grille ou aléatoire, mais elle n'intègre pas nativement la capacité d'arrêter prématurément les essais peu performants de la même manière qu'Hyperband, qui est spécifiquement conçue pour cette tâche.