Развитие теории обобщенных нейронных сетей, построение переменнозначных динамических баз знаний на основе квантовых вычислений (промежуточный, этап 3)

Объекты исследования: алгоритмы машинного обучения, регрессии, классификации, кластеризации, корректирующие операции над этими алгоритмами, повышающие их эффективность. Цель: совершенствование методов обучения параметрических моделей и нейронных сетей на основе робастного принципа минимизации эмпирического риска; разработка методов логического анализа предметной области для выявления данных, определяемых как выбросы в условиях заданных моделей. Усовершенствован метод обучения параметрических моделей и нейронных сетей на основе робастного принципа минимизации эмпирического риска, который вычисляется как непрерывно-дифференцируемое винзоризированное М-среднее от потерь. Предложен алгоритм обучения IR-WERM типа итерационного перевзвешивания. Разработанный метод позволяет строить робастные процедуры обучения для решения задач регрессии и классификации на основе данных, содержащих значительный объем выбросов. Предложен метод логического анализа для выявления выбросов в данных с целью их изоляции для полноценного функционирования модели распознавания, построенной по исходным данным.