Stoppkriterien

Stoppkriterien sind verifizierbare Bedingungen, die festlegen, wann ein Prozess, Algorithmus oder Experiment beendet wird. Sie dienen dazu, Ressourcen zu schonen, Ergebnisse zu sichern und eine klare Protokollierung zu ermöglichen. Stoppkriterien unterscheiden sich je nach Anwendungsgebiet, haben aber das gemeinsame Ziel, Konvergenz, Stabilität oder Relevanz der Ergebnisse zu gewährleisten.

In der numerischen Optimierung gehören Stoppkriterien zu den zentralen Werkzeugen. Typische Regeln sind eine Höchstanzahl von Iterationen, ein Zeitlimit, eine minimale Verbesserung der Zielfunktion zwischen zwei Iterationen unter einer festgelegten Toleranz, die Norm des Gradienten unter einer Toleranz oder eine Änderung der Parameter unter einer Toleranz. Werden diese Bedingungen erfüllt, wird der Algorithmus beendet, um unnötige Rechenzeit zu vermeiden und verlässliche Ergebnisse zu liefern.

Im maschinellen Lernen dient Early Stopping dazu, Überanpassung zu verhindern. Kriterien sind etwa, dass die Validierungsleistung über eine bestimmte Anzahl aufeinanderfolgender Epochen (Patience) hinweg nicht mehr verbessert wird, ggf. gekoppelt an Höchstzahlen von Epochen oder eine maximale Trainingszeit. Das Ziel ist, das Modell bei gut generalisierenden Parametern zu speichern.

In Simulationen und Monte-Carlo-Verfahren gelten Stoppkriterien oft eine angestrebte Genauigkeit oder einen Zielfehler. Mögliche Kriterien sind der akzeptierte Standardfehler einer Schätzung, das Erreichen einer vorgegebenen Stichprobenmenge oder Konvergenztests der Schätzungen.

In klinischen Studien regeln Stoppgrenzen Interim-Analysen aus Wirksamkeit, Sicherheitsgründen oder Überlegenheit. Unabhängige Datenüberwachungsgremien entscheiden anhand vordefinierter Grenzwerte über Fortführung, Unterbrechung oder Anpassung der Studie.

Allgemein zu beachten ist die Dokumentation der Stoppkriterien in Protokollen, damit Ergebnisse reproduzierbar bleiben.