あるWeb企業が深層学習の多クラスモデルをトレーニングしたところ、トレーニングデータでは90%の精度を達成しましたが、テストデータでは70%しか達成できませんでした（過学習）。デプロイ前に検証セットとテストセットでの精度を最大化するために、モデルの汎化性能を最も向上させる可能性が高いアクションはどれですか？

過学習は、モデルがトレーニングデータに過度に適合し、未知のデータに対する汎化能力が低い状態です。L1またはL2正則化は、モデルの重みを制約することで複雑さを軽減し、過学習を防ぎます。ドロップアウトは、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、よりロバストな特徴学習を促します。これらの手法は、モデルの汎化性能を向上させるための確立された方法です。 ミニバッチのランダム性を高めることは、トレーニングの安定性には寄与しますが、過学習の直接的な解決策ではありません。トレーニングデータの割合を増やすことは、過学習を悪化させる可能性があります。ネットワークサイズを縮小することは、モデルの表現能力を低下させ、アンダーフィッティングにつながる可能性があります。