Интеграция метода Монте-Карло и регуляризации в обучении интервальных сверточных нейронных сетей

Автор(ы): Гонец А.П., Сараев П.В.

Выпуск: 122

Рубрика: Информационные технологии в управлении

Год: 2026

Библиография: Гонец А.П., Сараев П.В. Интеграция метода Монте-Карло и регуляризации в обучении интервальных сверточных нейронных сетей // Управление большими системами. - 2026. - Вып. 122. - С.161-176.

Дата опубликования: 31.07.2026

Ключевые слова: компьютерное зрение, интервальные сверточные нейронные сети, метод Монте-Карло, регуляризация

Аннотация: Работа посвящена решению проблемы обработки изображений, характеризующихся интервальной неопределенностью, которая возникает на этапах сбора или преобразования данных и выражается в интервализации значений пикселей. В качестве эффективного решения по вычислительным ресурсам относительно байесовских методов рассматриваются интервальные нейронные сети. Существует проблема избыточного расширения границ интервалов в процессе обучения и низкой гарантированности достоверного решения. Цель исследования заключается в повышении качества обучения интервальных сверточных нейронной сетей. Для достижения этой цели предлагается интеграция методов Монте-Карло и регуляризации. В работе формализованы принципы построения интервальных сверточных нейронных сетей, включая реализацию операций свертки, подвыборки, функций активаций, полносвязных слоев. Применение метода Монте-Карло позволяет повысить точность обучения, а предложенная функция регуляризации способствует контролируемому сужению результирующих интервалов, предотвращая переобучение модели. Качество разработанного подхода подтверждена вычислительными экспериментами на наборе изображений с внесенной интервальной неопределенностью. Полученные результаты демонстрируют, что предложенная комбинация методов обеспечивает формирование более узких и информативных интервалов предсказания по сравнению с базовыми интервальными моделями. Работа вносит вклад в развитие методов интервального анализа в глубоком обучении и подтверждает перспективность подобных решения для задач с неопределенностью.

Author(s): Gonets A., Saraev P.

Article title: Integration of the Monte Carlo method and regularization in training interval convolutional neural networks

Issue: 122

Year: 2026

Keywords: interval convolutional neural networks, computer vision, Monte Carlo method, regularization

Abstract: This paper is devoted to solving the problem of image processing characterized by interval uncertainty, which occurs at the stages of data collection or transformation and is expressed in the interval values of pixels. Interval neural networks are considered as an effective solution for computing resources with respect to Bayesian methods. There is a problem of excessive expansion of interval boundaries in the learning process and a low guarantee of a reliable solution. The purpose of the study is to improve the quality of training interval convolutional neural networks. To achieve this goal, the integration of Monte Carlo and regularization methods is proposed. The paper formalizes the principles of constructing interval convolutional neural networks, including the implementation of operations of convolution, subsampling, activation functions, and fully connected layers. The use of the Monte Carlo method makes it possible to increase the accuracy of training, and the introduced regularization contributes to a controlled narrowing of the resulting intervals, preventing retraining of the model. The quality of the developed approach is confirmed by computational experiments on a set of images with introduced interval uncertainty. The results obtained demonstrate that the proposed combination of methods ensures the formation of narrower and more informative prediction intervals compared to the basic interval models. The work contributes to the development of interval analysis methods in deep learning and confirms the prospects of such solutions for problems with uncertainty.