ある保険会社が、車の写真から傷やへこみを見つけるために、Amazon SageMakerの組み込みObject Detectionモデル（TensorFlow）をトレーニングしました。このモデルは、テストセットよりもトレーニングセットで大幅に優れたパフォーマンスを示しています。テスト（検証）データでのモデルのパフォーマンスを向上させるために最も適切なアクションはどれですか？

トレーニングセットでモデルのパフォーマンスが良く、テストセットでパフォーマンスが悪い場合、モデルが過学習している可能性が高いです。過学習とは、モデルがトレーニングデータに過度に適合し、新しいデータに対して汎化する能力を失うことです。L2正則化（weight decay）は、モデルの重みにペナルティを課すことで、過学習を抑制する一般的な手法です。L2ハイパーパラメータを増やすことで、モデルの複雑さが軽減され、テストデータでのパフォーマンスが向上する可能性があります。 momentumハイパーパラメータを増やすことは、最適化プロセスを加速させる可能性がありますが、過学習を直接解決するものではありません。dropoutrateハイパーパラメータを減らすことは、ドロップアウトの量を減らすため、過学習を悪化させる可能性があります。learningrateハイパーパラメータを減らすことは、学習プロセスを遅くし、より良い局所最適解を見つけるのに役立つかもしれませんが、過学習を直接防ぐものではありません。