一個簡單的類神經網路，其驗證效能一開始有所提升，但在經過一定數量的 epoch 後卻惡化了。下列哪兩項改變有助於防止這種惡化？(選擇兩項)

驗證效能先提升後惡化是過度擬合 (overfitting) 的典型跡象。 啟用 early stopping 是一種有效的正則化 (regularization) 技術，它會在模型在驗證集上的表現停止改善時終止訓練，從而防止模型過度學習訓練資料的雜訊。 增加網路層中的 dropout rates 也能減少過度擬合。Dropout 會在訓練期間隨機停用部分神經元，迫使網路學習更穩健的特徵，而不是依賴於任何單一神經元，這有助於防止模型對訓練資料過度擬合。 增加更多層或增加每層的神經元數量會增加模型的複雜度，這通常會使過度擬合問題更加嚴重，而不是解決它。調查並緩解模型偏差的來源是處理模型公平性問題，與過度擬合無關。