Управление в информационных системах на основе модели с применением аппарата байесовского вывода с использованием регуляризирующих функционалов Тихонова
(Стр. 91-101)
Подробнее об авторах
Прокопчина Светлана Васильевна
доктор технических наук; профессор, кафедра искусственного интеллекта, факультет информационных технологий и анализа больших данных
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация Звягин Леонид Сергеевич кандидат экономических наук, доцент; доцент, кафедра моделирования и системного анализа, факультет информационных технологий и анализа больших данных; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Финансовый университет при Правительстве Российской Федерации
г. Москва, Российская Федерация Звягин Леонид Сергеевич кандидат экономических наук, доцент; доцент, кафедра моделирования и системного анализа, факультет информационных технологий и анализа больших данных; Финансовый университет при Правительстве Российской Федерации; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В статье рассматривается вопрос совершенствования процессов управления в организационных системах путем внедрения регуляризирующего байесовского подхода (РБП). Актуальность исследования обусловлена необходимостью повышения устойчивости принимаемых решений в условиях высокой неопределенности и динамического изменения характеристик информационных каналов. Разработана математическая модель, интегрирующая априорные экспертные знания и текущие данные мониторинга через аппарат байесовского вывода с использованием регуляризирующих функционалов Тихонова. В статье описан алгоритм функционирования системы, включающий формирование суррогатных моделей на базе гауссовских процессов и оптимизацию через функцию приобретения. Результатами работы стала синтезированная интеллектуальная архитектура управления, обеспечивающая минимизацию энтропии информационной системы и соблюдение критериев устойчивости. Численные эксперименты по двенадцати сценариям подтвердили преимущество предложенного метода над классическими алгоритмами. Средний прирост производительности составил 17,4% при значительном снижении дисперсии (до 0,045) и достижении коэффициента устойчивости 0,94. Сформулированы преимущества подхода в части работы с малым объемом данных и интерпретируемости результатов, а также обозначены ограничения, связанные с вычислительной емкостью и экспертной зависимостью.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Прокопчина С.В., Звягин Л.С. Управление в информационных системах на основе модели с применением аппарата байесовского вывода с использованием регуляризирующих функционалов Тихонова // Computational Nanotechnology. 2026. Т. 13. № 1. С. 91-101. DOI: 10.33693/2313-223X-2026-13-1-91-101. EDN: MMZKTH
Список литературы:
Воронов В.С., Давыдов В.Д. Байесовский подход в финансовой инженерии: конструируем интеллектуальные системы поддержки финансовых решений // Вопросы инновационной экономики. 2021. Т. 11. № 4. С. 1509–1520.
Дорожко И.В., Горохов Г.М., Кириллов И.А. Методический подход к разработке системы поддержки принятия решений оператора автоматизированной системы управления технологическими процессами на основе динамических байесовских сетей // Труды МАИ. 2022. № 125. С. 578–613.
Дорожко И.В., Зубачев А.М., Александров М.А. Методика разработки интеллектуальной системы поддержки принятия решения на основе аппарата байесовских сетей // Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2024. № 1–2 (187–188). С. 40–48.
Золотаревский А.Ю. Система аналитики и поддержки принятия решений малого производственного предприятия на базе регуляризирующего байесовского подхода // Мягкие измерения и вычисления. 2024. Т. 75. № 2-2. С. 38–48.
Прокопчина С.В. Байесовские интеллектуальные технологии в задачах моделирования закона распределения в условиях неопределенности: монография. Москва: Научная библиотека, 2020. 291 с.
Прокопчина С.В. Байесовские интеллектуальные технологии: методология и применение в задачах цифровизации // Системы управления и информационные технологии. 2019. URL: etu.ru (дата обращения: 05.04.2026).
Прокопчина С.В. Интеллектуальные сенсорные сети в Industry 5.0. Обобщенная концепция создания цифровых платформ управления сложными системами на основе регуляризирующего байесовского подхода // Международная конференция по мягким вычислениям и измерениям. 2022. Т. 1. С. 3–10.
Шевцова Ю.В. Байесовы технологии: их реализация в программной среде Hugin и применение в операционном риск-менеджменте в телекоммуникациях: учебное пособие. 2-е изд. Новосибирск: СибГУТИ, 2016. 90 с.
Cakmak S., Marban R.A., Frazier P., Zhou E. Bayesian optimization of risk measures // Advances in Neural Information Processing Systems. 2020. Vol. 33. Pp. 20130–20141.
Hernández-Lobato D., Hernandez-Lobato J., Shah A., Adams R. Predictive entropy search for multi-objective bayesian optimization // International Conference on Machine Learning. 2016. Pp. 1492–1501.
Iwazaki S., Inatsu Y., Takeuchi I. Mean-variance analysis in Bayesian optimization under uncertainty // International Conference on Artificial Intelligence and Statistics. 2021. Pp. 973–981.
Jafar S.H. Financial applications of gaussian processes and Bayesian optimization // Bayesian reasoning and Gaussian processes for machine learning applications. 2022. Pp. 111–122.
Kaufmann E., Cappé O., Garivier A. On Bayesian upper confidence bounds for bandit problems // Artificial Intelligence and Statistics. 2012. Vol. 22. Pp. 592–600.
Kerleguer B., Cannamela C., Garnier J. A Bayesian neural network approach to multi-fidelity surrogate modeling // International Journal for Uncertainty Quantification. 2024. Vol. 14. No. 1. Pp. 43–60.
Li J., Li M., Wu D. et al. A Bayesian networks-based risk identification approach for software process risk: The context of Chinese trustworthy software // International Journal of Information Technology & Decision Making. 2016. Vol. 15. No. 06. Pp. 1391–1412.
Lim Y.-F., Ng C.K., Vaitesswar U.S., Hippalgaonkar K. Extrapolative Bayesian optimization with Gaussian process and neural network ensemble surrogate models // Advanced Intelligent Systems. 2021. Vol. 3. No. 11. Art. 2100101.
You Z., Cartlidge J., Elliott K. et al. Improving Bayesian optimization for portfolio management with an adaptive scheduling // ArXiv Preprint. 2025. No. 2504.13529.
You Z., Cartlidge J., Elliott K. et al. Risk-aware black-box portfolio construction using Bayesian optimization with adaptive weighted Lagrangian estimator // ArXiv Preprint. 2025. No. 4. Pp. 1–15.
Дорожко И.В., Горохов Г.М., Кириллов И.А. Методический подход к разработке системы поддержки принятия решений оператора автоматизированной системы управления технологическими процессами на основе динамических байесовских сетей // Труды МАИ. 2022. № 125. С. 578–613.
Дорожко И.В., Зубачев А.М., Александров М.А. Методика разработки интеллектуальной системы поддержки принятия решения на основе аппарата байесовских сетей // Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2024. № 1–2 (187–188). С. 40–48.
Золотаревский А.Ю. Система аналитики и поддержки принятия решений малого производственного предприятия на базе регуляризирующего байесовского подхода // Мягкие измерения и вычисления. 2024. Т. 75. № 2-2. С. 38–48.
Прокопчина С.В. Байесовские интеллектуальные технологии в задачах моделирования закона распределения в условиях неопределенности: монография. Москва: Научная библиотека, 2020. 291 с.
Прокопчина С.В. Байесовские интеллектуальные технологии: методология и применение в задачах цифровизации // Системы управления и информационные технологии. 2019. URL: etu.ru (дата обращения: 05.04.2026).
Прокопчина С.В. Интеллектуальные сенсорные сети в Industry 5.0. Обобщенная концепция создания цифровых платформ управления сложными системами на основе регуляризирующего байесовского подхода // Международная конференция по мягким вычислениям и измерениям. 2022. Т. 1. С. 3–10.
Шевцова Ю.В. Байесовы технологии: их реализация в программной среде Hugin и применение в операционном риск-менеджменте в телекоммуникациях: учебное пособие. 2-е изд. Новосибирск: СибГУТИ, 2016. 90 с.
Cakmak S., Marban R.A., Frazier P., Zhou E. Bayesian optimization of risk measures // Advances in Neural Information Processing Systems. 2020. Vol. 33. Pp. 20130–20141.
Hernández-Lobato D., Hernandez-Lobato J., Shah A., Adams R. Predictive entropy search for multi-objective bayesian optimization // International Conference on Machine Learning. 2016. Pp. 1492–1501.
Iwazaki S., Inatsu Y., Takeuchi I. Mean-variance analysis in Bayesian optimization under uncertainty // International Conference on Artificial Intelligence and Statistics. 2021. Pp. 973–981.
Jafar S.H. Financial applications of gaussian processes and Bayesian optimization // Bayesian reasoning and Gaussian processes for machine learning applications. 2022. Pp. 111–122.
Kaufmann E., Cappé O., Garivier A. On Bayesian upper confidence bounds for bandit problems // Artificial Intelligence and Statistics. 2012. Vol. 22. Pp. 592–600.
Kerleguer B., Cannamela C., Garnier J. A Bayesian neural network approach to multi-fidelity surrogate modeling // International Journal for Uncertainty Quantification. 2024. Vol. 14. No. 1. Pp. 43–60.
Li J., Li M., Wu D. et al. A Bayesian networks-based risk identification approach for software process risk: The context of Chinese trustworthy software // International Journal of Information Technology & Decision Making. 2016. Vol. 15. No. 06. Pp. 1391–1412.
Lim Y.-F., Ng C.K., Vaitesswar U.S., Hippalgaonkar K. Extrapolative Bayesian optimization with Gaussian process and neural network ensemble surrogate models // Advanced Intelligent Systems. 2021. Vol. 3. No. 11. Art. 2100101.
You Z., Cartlidge J., Elliott K. et al. Improving Bayesian optimization for portfolio management with an adaptive scheduling // ArXiv Preprint. 2025. No. 2504.13529.
You Z., Cartlidge J., Elliott K. et al. Risk-aware black-box portfolio construction using Bayesian optimization with adaptive weighted Lagrangian estimator // ArXiv Preprint. 2025. No. 4. Pp. 1–15.
Ключевые слова:
организационные системы, регуляризирующий байесовский подход, функция правдоподобия, устойчивость управления, энтропия, гауссовские процессы, принятие решений.
