ПОРІВНЯННЯ СТІЙКОСТІ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ ДО ВПЛИВУ ШУМОВИХ КОМПОНЕНТІВ У ДАНИХ

Read full text Summarise with VIRAT
Authors: Борис Миколайович Злотенко, ОЛЕНА МИТЕЛЬСЬКА, Вадим АФТАНДІЛЯНЦ
Cited by: 0
References: 13

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

ПОРІВНЯННЯ СТІЙКОСТІ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ ДО ВПЛИВУ ШУМОВИХ КОМПОНЕНТІВ У ДАНИХ Анотація.У статті комплексно досліджено стійкість різних моделей машинного навчання до шуму в даних та здійснено порівняльний аналіз їхньої продуктивності за умов наявності різних рівнів і типів зашумлення.Актуальність роботи зумовлена тим, що реальні дані часто містять випадкові похибки вимірювання, пропуски, аномалії та систематичні викривлення, що можуть істотно знижувати якість прогнозування та узагальнювальну здатність моделей.Запропонований підхід спрямований на кількісну оцінку впливу шуму на точність прогнозування, а також на виявлення алгоритмів, які демонструють найвищу робастність у несприятливих умовах.Методика дослідження передбачає поетапне додавання шуму різної інтенсивності до навчальних і тестових вибірок із моделюванням як адитивного випадкового шуму, так і структурованих спотворень.Для кожного рівня зашумлення проводиться повторне навчання моделей та оцінювання зміни їх продуктивності за допомогою системи метрик: коефіцієнта детермінації R², середньої абсолютної помилки (MAE) та середньоквадратичної помилки (RMSE).Додатково аналізується темп деградації якості залежно від рівня шуму, що дозволяє формалізувати показник стійкості як відносну зміну помилки.

Fields of Study & Subjects

Machine Learning and Data Classification Adversarial Robustness in Machine Learning Advanced Statistical Methods and Models

Publication details

Journal / source
Наука і техніка сьогодні
Issue
2(56)
Publication date
21 March 2026
Language
UK