無限ノック › MLA 練習問題一覧 › 問題MLA MLモデルの開発
データサイエンティストがSageMaker Training Jobsを使ってディープラーニングモデルを訓練しています。20エポック以降、検証ロスの改善が停止した一方でトレーニングロスは改善し続けるオーバーフィッティングが発生しました。このオーバーフィッティングを自動検出してトレーニングを早期停止し、コストを削減するにはどの設定が最も適切ですか？
A SageMaker Hyperparameter Tuning で early stopping strategy を「Auto」に設定する
SageMaker Hyperparameter Tuning の早期停止は複数のチューニングジョブ間での性能比較に基づく制御であり、単一ジョブ内でオーバーフィッティングを自動検出して停止する仕組みではありません。
B SageMaker Debugger に OverfittingRule と StopTrainingJob アクションを設定する
✓ 正解
SageMaker Debugger の OverfittingRule はトレーニング中のテンソルを自動監視し、オーバーフィッティングを検出すると StopTrainingJob アクションでジョブを自動終了してコストを削減します。
C SageMaker Experiments でトレーニング実行を追跡・比較して手動で停止する
SageMaker Experiments はトレーニング実行の追跡・比較に特化したサービスであり、オーバーフィッティングの自動検出や自動停止の機能を持ちません。ジョブの停止は手動で行う必要があります。
D CloudWatch Alarm で検証ロスを監視し、Lambda 関数でトレーニングジョブを停止する
CloudWatch Alarm と Lambda を組み合わせた方法は追加のカスタム実装が必要で構築・運用の負荷が高く、SageMaker Debugger のような専用のオーバーフィッティング検出ルールもありません。
解説 SageMaker Debugger の組み込みルール（OverfittingRule）はトレーニング中のテンソルを自動監視し、オーバーフィッティングを検出すると StopTrainingJob アクションでジョブを自動終了しコストを削減します。
選択肢Aの SageMaker Hyperparameter Tuning の早期停止は、複数のチューニングジョブ間での性能比較に基づく制御であり、単一ジョブ内でオーバーフィッティングを自動検出して停止する機能ではありません。
選択肢Cの SageMaker Experiments はトレーニング実行の追跡・比較を目的としたサービスであり、オーバーフィッティングの自動検出や自動停止の機能はありません。手動でのジョブ管理が必要です。
選択肢Dの CloudWatch Alarm と Lambda を組み合わせた方法は、追加のカスタム実装が必要で構築・運用の負荷が高く、SageMaker Debugger のような専用のオーバーフィッティング検出ルールもありません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →