Een data scientist stemt een deep learning object-detectiemodel af en moet veel parallelle hyperparameter-trials uitvoeren, slecht presterende trials vroegtijdig stoppen en meer resources toewijzen aan veelbelovende trials. Welke hyperparameter-zoektechniek minimaliseert de totale rekentijd en voldoet tegelijkertijd aan deze vereisten?

Hyperband is de meest geschikte techniek omdat het specifiek is ontworpen om hyperparameter-optimalisatie efficiënt uit te voeren door slechte trials vroegtijdig te stoppen en meer middelen toe te wijzen aan veelbelovende trials. Dit minimaliseert de totale rekentijd door onnodige berekeningen te vermijden. Grid search en Random search voeren trials tot het einde uit, ongeacht hun prestaties, wat inefficiënt is. Bayesian optimization is efficiënter dan grid of random search, maar mist de ingebouwde mechanismen van Hyperband voor het vroegtijdig stoppen en het adaptief toewijzen van middelen, waardoor het minder optimaal is voor dit specifieke scenario.