Отрывок из текста научного стиля.

В настоящем исследовании анализируется влияние распределённых представлений на устойчивость моделей к шуму входных данных в задачах классификации. Под распределёнными представлениями понимаются векторизованные структуры признаков, формируемые посредством обучения с учителем и без учителя в многослойных нейросетевых архитектурах. Теоретическая предпосылка работы заключается в том, что компактные латентные пространства с гладкими геометрическими свойствами уменьшают чувствительность модели к локальным возмущениям и, следовательно, повышают обобщающую способность на ранее невидимых примерах. Для проверки гипотезы предложен протокол сравнения, включающий контрастивное предварительное обучение, последующую донастройку на ограниченных выборках и оценку метрик точности и устойчивости при варьировании уровня аддитивного гауссовского шума.

Новизна исследования состоит в интеграции регуляризации в латентном пространстве с использованием дивергентных функционалов, что позволяет косвенно контролировать кривизну эмбеддингов без явного задания геометрии многообразия. Практическая значимость заключается в возможности воспроизводимого улучшения качества на малых выборках, характерных для прикладных доменов с дефицитом разметки (например, медицина и промышленная диагностика). Предложенный подход расширяет текущие представления о соотношении между структурой признакового пространства и устойчивостью алгоритмов обучения и, таким образом, может служить основой для дальнейших исследований в области надежности методов машинного обучения.