~10,000개의 제어된 이미지로 학습된 모델이 학습 세트에는 잘 맞지만, 보지 못한 테스트 이미지에서는 성능이 저조합니다(학습 오류는 epoch에 따라 감소하는 반면 테스트 오류는 높게 유지됨). 이 문제를 해결하는 데 도움이 될 조치는 무엇입니까? (두 가지 선택)

제시된 시나리오는 모델이 훈련 데이터에는 과도하게 적합되었지만(낮은 훈련 오류), 새로운 데이터에는 일반화되지 못하는(높은 테스트 오류) 과적합(overfitting)을 나타냅니다. 학습 이미지에 데이터 증강을 사용합니다.는 과적합을 줄이는 효과적인 방법입니다. 데이터 증강은 기존 훈련 이미지에 변형(회전, 크기 조정, 뒤집기 등)을 적용하여 훈련 데이터셋의 크기와 다양성을 인공적으로 늘립니다. 이는 모델이 더 다양한 특징을 학습하게 하여 일반화 성능을 향상시킵니다. 모델에 L2 (weight) regularization을 추가합니다.는 모델의 복잡성을 제한하여 과적합을 방지하는 또 다른 방법입니다. L2 정규화는 손실 함수에 가중치(weights)의 제곱합에 비례하는 항을 추가하여, 모델이 너무 큰 가중치를 가지는 것을 억제합니다. 이는 모델이 특정 훈련 샘플에 과도하게 의존하는 것을 방지하고 더 부드러운 결정 경계를 만듭니다. 모델에 vanishing gradient를 추가합니다.는 잘못된 개념입니다. Vanishing gradient는 훈련을 방해하는 문제이며, 해결해야 할 대상이지 추가해야 할 대상이 아닙니다. 신경망 아키텍처의 복잡성을 높입니다.는 과적합을 더욱 심화시킬 수 있습니다. 모델이 이미 훈련 데이터에 과적합된 상태이므로, 복잡성을 높이면 모델이 훈련 데이터의 노이즈까지 학습할 가능성이 커집니다. 모델에 gradient checking을 적용합니다.는 경사 하강법 구현의 정확성을 확인하는 디버깅 도구이며, 과적합 문제를 직접적으로 해결하지 않습니다.