УДК 004.89
DOI: 10.36871/2618-­9976.2026.03.009

Авторы

Элина Руслановна Гузуева,
Доцент кафедры «Бизнес-­информатика», ФГБОУ ВО Чеченский государственный университет им. А.А. Кадырова, Грозный, Россия
Константин Ильич Книту Каи Евгеньев,
Аспирант, Казанский национальный исследовательский технический университет им. Туполева (КНИТУ­КАИ), Казань, Россия
Расул Ризванович Садулаев,
Студент, Московский технический университет связи и информатики, Москва, Россия

Аннотация

В статье рассматриваются подходы к интеллектуальной обработке мультимодальных данных, которые формируются и используются  в  современных  информационно-­аналитических  системах  в  условиях  неопределенности,  обусловленной  неполнотой  наблюдений,  асинхронностью  источников  данных, наличием шумов, изменением распределений и противоречивостью семантических интерпретаций. Особое внимание уделяется  архитектурам  интеграции  мультимодальных  данных, включая раннюю, позднюю и гибридную интеграцию, а также  проблемам  согласованности  признаков,  возникающим  при  необходимости  объединения  разнородных  представлений  в  единое  латентное  пространство.  Показано,  что  ключевыми  ограничениями  современных  мультимодальных  интеллектуальных систем являются модальная несогласованность, несопоставимость признаковых шкал, семантическое расхождение  и дефицит интерпретируемых критериев выравнивания, что в  совокупности  снижает  устойчивость  моделей  и  их  способность к переносу на новые домены.

Ключевые слова

мультимодальные данные
неопределенность
интеграция модальностей
согласованность признаков
кросс­-модальные представления
устойчивость моделей
интеллектуальная аналитика

Список литературы

[1] Алексеев А.Н. Интеллектуальные методы анализа данных. Москва: Юрайт, 2021. 312 с.

[2] Баранов А.Н. Машинное обучение и интеллектуальные системы. Москва: Инфра­М, 2020. 356 с.

[3] Беляев В.И. Обработка  сигналов  и  анализ  временных  рядов.  Москва:  Финансы  и  статистика, 2018. 288 с.

[4] Воронов В.В. Системный  анализ  и  моделирование  сложных  процессов.  Москва: КноРус, 2019. 336 с.

[5] Громов С.А. Большие  данные  и  интеллектуальная  аналитика.  Санкт­Петербург: БХВ­Петербург, 2022. 304 с.

[6] Ефимова Н.С. Нейросетевые модели в задачах распознавания и прогнозирования. Москва: Инфра­М, 2021. 280 с.

[7] Козлов Д.Ю. Информационные  технологии  в  управлении  и  промышленности. Москва: Экономика, 2020. 320 с.

[8] Ларин Е.П. Математические методы обработки неопределенности. Москва: Юрайт, 2018. 272 с.

[9] Сидоров И.М. Мультимодальные  интеллектуальные  системы:  теория  и  практика. Екатеринбург: УрФУ, 2021. 264 с.

[10] Чернов А.Л. Кросс­модальные модели и анализ разнородных данных. Москва: Финансы и статистика, 2023. 296 с.