約10,000枚の制御された画像でトレーニングされたモデルは、トレーニングセットにはうまく適合するものの、未確認のテスト画像ではパフォーマンスが低下します（エポックとともにトレーニングエラーは減少しますが、テストエラーは高いままです）。この問題に対処するのに役立つアクションはどれですか？（2つ選択してください。）

このシナリオは、モデルがトレーニングデータに過剰に適合し、未知のデータに対する汎化能力が低い過学習を示しています。 データ拡張は、既存のトレーニング画像を変換（回転、反転、拡大縮小など）して新しいトレーニングサンプルを生成することで、トレーニングデータの多様性を人工的に増やします。これにより、モデルはより多様なパターンを学習し、未知の画像に対する汎化能力が向上します。 L2正則化（重み減衰）は、モデルの損失関数に重みの二乗の合計を追加することで、モデルの複雑さにペナルティを課します。これにより、モデルが特定のトレーニングサンプルに過度に適合するのを防ぎ、より滑らかな決定境界を学習させ、過学習を抑制します。 勾配消失を追加することは、勾配ベースの最適化を妨げ、モデルの学習を困難にするため、誤りです。勾配チェックはデバッグツールであり、過学習を直接解決するものではありません。ニューラルネットワークアーキテクチャの複雑さを増すことは、過学習を悪化させる可能性があります。