Uno scienziato dei dati sta ottimizzando un modello di deep learning per il rilevamento di oggetti e deve eseguire molti trial paralleli di iperparametri, interrompere precocemente i trial con prestazioni scadenti e allocare più risorse ai trial promettenti. Quale tecnica di ricerca degli iperparametri ridurrà al minimo il tempo di calcolo totale, soddisfacendo al contempo questi requisiti?

Hyperband è la tecnica più efficiente per questo scenario perché è specificamente progettata per ottimizzare il tempo di calcolo. Utilizza un approccio di "successive halving" che alloca risorse crescenti ai trial più promettenti, eliminando precocemente quelli con prestazioni scadenti. Questo soddisfa tutti i requisiti: esecuzione parallela (tramite successive halving), interruzione anticipata e allocazione di più risorse ai trial promettenti, minimizzando il tempo totale. La Grid search e la Random search non interrompono i trial precocemente né allocano risorse in modo adattivo, sprecando tempo su configurazioni scadenti. L'ottimizzazione bayesiana è più efficiente di Grid e Random search ma non incorpora intrinsecamente l'interruzione anticipata e l'allocazione adattiva delle risorse come Hyperband.