MLエンジニアが SageMaker のハイパーパラメータ自動チューニングをベイズ最適化（Bayesian optimization：過去の試行結果を確率モデルとして利用して次の探索点を決定する手法）で実行し、50 個のトレーニングジョブを完了しました。結果は良好でしたが、前回のジョブで蓄積した探索の知識を引き継ぎながら、最も成果の出たハイパーパラメータ近傍をさらに深く探索したいと考えています。最も適切な戦略はどれですか？
SageMaker のハイパーパラメータチューニングのウォームスタートには 2 種類あります。TRANSFER_LEARNING は以前のジョブの結果を事前知識として活用し、探索範囲の変更やデータ更新があっても知識を引き継いで探索を洗練できます。IDENTICAL_DATA_AND_ALGORITHM は完全に同一のデータ・アルゴリズムで中断したジョブを再開する用途に限定されます。 選択肢Aの前回の最良結果を参考に探索範囲を手動で絞り込む方法では、ベイズ最適化の知識を引き継ぐことができません。 選択肢CのIDENTICAL_DATA_AND_ALGORITHMは完全に同一のデータ・アルゴリズムで中断したジョブを再開する用途に限定されます。 選択肢Dの前回のチューニングジョブの最良設定を固定する方法は、探索を深掘りすることができません。