モデルの複雑さ（パラメータが多すぎる）によって、一般的なパターンを学習するのではなく、トレーニング例を記憶することが可能になる場合に発生します。症状としては、トレーニングの精度が高い一方で、検証/テストのパフォーマンスが低いことが挙げられます。ガバナンスの実践には、定期的なクロスバリデーション、トレイン/バリデーション損失の発散の監視、正則化手法の適用（ドロップアウト、重み減衰）、およびモデルを本番稼働に移行させる前に許容可能な一般化ギャップを定義することが含まれます。