在梯度下降（Gradient Descent）優化過程中，陷入「局部最小值（Local Minimum）」的問題，下列哪種方法最能有效緩解？
iPAS 考題解析
在梯度下降（Gradient Descent）優化過程中，陷入「局部最小值（Local Minimum）」的問題，下列哪種方法最能有效緩解？
- A. 降低學習率（Learning Rate）以確保穩定收斂
- B. 增加正則化強度以平滑損失函數
- C. 使用動量（Momentum）或 Adam 等自適應優化器 ✓ 正確答案
- D. 減少批次大小（Batch Size）以增加梯度噪音
詳細解析
動量（Momentum）和 Adam 等自適應優化器能在梯度方向上累積速度，幫助跳出局部最小值或鞍點。Adam 結合動量與自適應學習率，在深度學習中廣泛應用。降低學習率反而更容易困在局部最小值。
出題年份：114 難度：★★☆