단순 신경망의 검증 성능이 처음에는 향상되지만, 일정 에포크(epoch) 수를 넘어서면 저하됩니다. 다음 중 이러한 성능 저하를 방지하는 데 도움이 되는 변경 사항은 무엇입니까? (두 가지 선택)

검증 성능이 일정 에포크 이후 저하되는 것은 과적합(overfitting)의 전형적인 징후입니다. 과적합은 모델이 훈련 데이터에 너무 맞춰져 새로운 데이터에 대한 일반화 성능이 떨어지는 현상입니다. 1. 조기 중단(early stopping) 활성화: 검증 성능이 더 이상 개선되지 않거나 악화되기 시작할 때 훈련을 중단하면 모델이 과적합되는 것을 방지하고 최적의 일반화 성능을 가진 모델을 얻을 수 있습니다. 2. 드롭아웃(dropout) 비율 높이기: 드롭아웃은 훈련 중에 무작위로 일부 뉴런을 비활성화하여 모델이 특정 뉴런에 과도하게 의존하는 것을 막고, 여러 서브 네트워크를 훈련하는 효과를 주어 과적합을 줄이는 강력한 정규화(regularization) 기법입니다. 네트워크에 더 많은 레이어를 추가하거나 레이어당 뉴런 수를 늘리는 것은 모델 복잡도를 증가시켜 과적합을 더욱 심화시킬 수 있습니다. 모델 편향(bias)은 일반적으로 훈련 데이터의 불균형이나 모델의 표현력 부족과 관련이 있으며, 과적합으로 인한 검증 성능 저하와는 직접적인 해결책이 아닙니다.