심층 신경망(Deep Neural Network)을 위한 대규모 하이퍼파라미터 스윕(Hyperparameter sweeps)은 첫 몇 에포크(Epoch) 만에 사실상 실패가 결정된 설정들에 상당한 컴퓨팅 자원을 소모합니다. 본 연구에서는 단일 학습 실행의 자체적인 초기 텔레메트리(Telemetry)—에포크별 손실(Loss), 학습 정확도(Training accuracy), 그래디언트 신호 대 잡음비(Gradient signal-to-noise ratio), 가중치 노름 성장(Weight-norm growth), 그리고 활성화 포화 스냅샷(Activation-saturation snapshot)—와 샘플링된 하이퍼파라미터를 결합하여, 다른 실행 결과에 대한 참조 없이 해당 실행의 최종 결과를 예측할 수 있는지 연구합니다. 우리는 세 가지 예측 작업, 즉 최종 테스트 정확도(Final test accuracy), 도메인 내 상대적 성능(Relative performance within a domain), 그리고 수치적 발산(Numerical divergence)을 포함한 학습 역학 실패(Training-dynamics failure)를 평가합니다. 6개의 아키텍처/데이터셋 조합에 걸친 23,788개의 학습 실행을 대상으로, 초기 5개 에포크의 텔레메트리만을 사용한 그래디언트 부스팅 트리(Gradient-boosted trees)는 영구적으로 분리된 하이퍼파라미터 구성 세트에서 최종 정확도 회귀(Final-accuracy regression)에 대해 R^2 = 0.92-0.99를, 상대적 분류(Relative classification)에 대해 ROC-AUC = 0.983-0.998을 달성했습니다. 유용한 예측은 단 한 번의 에포크 이후에도 이미 가능합니다. 쌍체 절제 실험(Paired ablation) 결과, 그래디언트 및 가중치 수준의 텔레메트리는 손실 및 정확도 곡선만 사용하는 것보다 통계적으로 일관된 개선을 제공하지만, 실질적인 이득은 도메인마다 다릅니다. 유사한 아키텍처 간에는 전이(Transfer) 성능이 강력한 반면, 데이터셋 간 전이는 근본적인 관계의 상실보다는 주로 정확도 척도(Accuracy scale)의 차이에 의해 제한됩니다. 이러한 결과는 초기 학습 텔레메트리가 컴퓨팅 자원 할당을 위한 실질적인 의사결정 지원 신호를 제공할 수 있음을 시사하며, 동시에 모든 자동화된 개입에 대해 인간의 감독을 유도합니다.