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？

解析

正確答案：C. 使用動量（Momentum）或 Adam 等自適應優化器

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。

每個選項為什麼對或錯

• A 降低學習率（Learning Rate）以確保穩定收斂 錯誤選項

  降低學習率使優化更謹慎，但更容易困在局部最小值。

• B 增加正則化強度以平滑損失函數 錯誤選項

  正則化改變損失地形但無法保證跳出局部最小值。

• C 使用動量（Momentum）或 Adam 等自適應優化器 正解

  Momentum 和 Adam 幫助跨越局部最小值，此為正確方法。

• D 減少批次大小（Batch Size）以增加梯度噪音 錯誤選項

  減少批次大小增加噪音有一定幫助，但不如使用自適應優化器有效。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。