Search academic texts

Information × Registration Number 2126U000489, Article popup.category Стаття, Опубліковано Title It 's the smallest approximation in Bayesian neural networks . (AI translated) popup.author Кривошея Михайло ІгоровичКвєтний Роман НаумовичKryvosheya Mykhailo IhorovychKvietnyi Roman Naumovych popup.publication 31-03-2026 popup.source_user "Наукові праці Вінницького національного технічного університету" (Вінницький національний технічний університет) popup.source https://praci.vntu.edu.ua/index.php/praci/article/view/943 popup.publisher Вінницький національний технічний університет Description У статті досліджується застосування мінімаксної стратегії до байєсівських нейронних мереж (BNN) як ефективного підходу до підвищення стійкості моделей машинного навчання в умовах невизначеності, шуму та адверсарних впливів. Актуальність дослідження зумовлена обмеженнями класичних нейронних мереж і навіть стандартних BNN, які можуть демонструвати нестабільність навчання, переоцінювати впевненість у передбаченнях та втрачати узагальнювальну здатність поза межами тренувальних даних. Запропонований підхід поєднує байєсівське моделювання невизначеності з мінімаксною оптимізацією, що дозволяє враховувати найгірші сценарії збурення даних у процесі навчання. У роботі наведено теоретичне обґрунтування методу, де задача навчання формалізується, як двоосібна гра між моделлю та адверсарним середовищем, яке генерує несприятливі збурення вхідних даних. Такий підхід дозволяє мінімізувати максимальні втрати та підвищити робастність моделі. Реалізація мінімаксної BNN здійснюється через інтеграцію адверсарного навчання у варіаційний байєсівський підхід, що дає змогу одночасно враховувати як епістемічну, так і алеаторну невизначеність. Експериментальна частина дослідження базується на задачі апроксимації функцій різного характеру, зокрема періодичних та експоненційних залежностей, за наявності гаусівського шуму. Проведено порівняльний аналіз класичної BNN та мінімаксної BNN за такими критеріями, як стабільність навчання, динаміка функції втрат, точність апроксимації та дисперсія передбачень. Результати показують, що мінімаксна модель демонструє більш стабільну збіжність, зменшення коливань втрат, кращу поведінку на краях області визначення та підвищену узагальнювальну здатність. Продемостровано, що використання мінімаксної стратегії дозволяє ефективно пригнічувати вплив шуму, зменшувати перенавчання та забезпечувати більш надійні передбачення в умовах обмежених або зашумлених даних. Запропонований підхід може бути застосований у задачах, де критичною є стійкість моделі до невизначеності, зокрема в аналізі ризиків, обробці сигналів та інтелектуальних системах прийняття рішень. popup.nrat_date 2026-04-30 Close