機械学習チームがXGBoostモデルのハイパーパラメータ最適化をSageMaker Hyperparameter Tuning（HPO）で実施し、Bayesian最適化で50通りのパラメータ組み合わせを探索しました。前回の探索で得られた知識（確率モデル）を引き継ぎ、さらに30通りの追加探索を効率的に実施したいと考えています。最も適切なアプローチはどれですか？
SageMaker HPOのWarm Start機能を使用すると、親チューニングジョブのBayesian最適化の確率モデル（事前知識）を引き継いで効率的な追加探索が可能です。IDENTICAL_DATA_AND_ALGORITHMはデータとアルゴリズムが同一の継続探索に使用します。 選択肢Bのグリッドサーチ（総当たり探索）はBayesian最適化の確率モデルを活用できず、前回の50通りの探索結果を引き継がないため探索効率が低下します。 選択肢CのSageMaker Autopilotは自動ML実験ツールであり、既存のHPOジョブの事前知識を引き継いで追加探索を継続する機能は提供していません。 選択肢DのSageMaker HPOジョブの設定（MaxNumberOfTrainingJobsなど）は作成後に変更できないため、既存ジョブの更新・再実行はサポートされていません。