В работе рассматривается анализ эффективности интеграции различных архитектур машинного обучения для повышения точности предсказаний и интерпретируемости решений в условиях ограниченного и неполного объёма данных. Исследуются шесть типов моделей: полносвязные нейронные сети, байесовские нейронные сети, нейросети с трансформерами, байесовские сети с трансформерами, методы градиентного бустинга и ARIMA. Экспериментальные исследования показали, что комбинированное использование этих подходов позволяет минимизировать влияние пропусков в данных, повысить точность прогнозирования и улучшить интерпретируемость моделей. Результаты могут быть применимы в критически важных областях, требующих надёжных прогнозов при ограниченных данных.

Гогуев К.М., Томилов И.В., Голубев А.А. (науч. рук. Гусарова Н.Ф.) Анализ эффективности интеграции различных архитектур в обучаемые модели для повышения точности предсказаний и интерпретируемости решений в условиях ограниченного и неполного объема данных // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/14689