オーバーフィッティング

モデルが複雑である (パラメーターが多すぎる) ため、一般的なパターンを学習するよりもトレーニング例を暗記できる場合に発生します。症状としては、トレーニングの精度は高いが、検証/テストのパフォーマンスは低いことが挙げられます。ガバナンスの実践には、定期的な相互検証、トレイン/バリデーションの損失の分岐の監視、正規化手法 (ドロップアウト、ウェイトの減衰) の適用、モデルを実稼働環境に移行する前に許容できる一般化ギャップの定義などが含まれます。