あるヘルスケア企業が、X線画像を正常または異常に分類するためにニューラルネットワークをトレーニングしています。データセットには、1,000枚のラベル付きトレーニング画像と200枚のテスト画像が含まれています。50個の隠れ層を持つネットワークは、トレーニングセットで99%の精度を達成しましたが、テストセットでは55%の精度しか達成しませんでした。この問題に対処するために、専門家は次のどの変更を検討すべきですか？（3つ選択してください。）

トレーニングセットで高い精度を達成し、テストセットで低い精度になるのは、過学習の典型的な兆候です。 隠れ層の数を減らすことは、モデルの複雑さを軽減し、過学習を防ぐのに役立ちます。モデルがデータ内のノイズに適合する能力を低下させます。 ドロップアウト正則化を有効にすることは、トレーニング中にランダムにニューロンを無効にすることで、モデルが特定の経路に過度に依存するのを防ぎ、汎化能力を高めます。 トレーニング中に早期停止を有効にすることは、検証セットのパフォーマンスが向上しなくなったときにトレーニングを停止することで、過学習が始まる前にモデルをキャプチャします。 隠れ層の数を増やすことは、モデルをさらに複雑にし、過学習を悪化させる可能性があります。より小さい学習率を使用することは、収束を遅くする可能性がありますが、過学習に直接対処するものではありません。テスト画像をトレーニングセットに含めることは、テストセットの目的を無効にし、モデルの真の汎化能力を評価できなくなります。