Date portal
« Vestnik KRSU»

Показаны результаты фактического запуска пайплайна VAE-импутации на панели агроэкономических данных Кыргызской Республики в двух вариантах – без аугментации, обучающей выборки, и с полной аугментацией, – продолжая методологическое описание, данное в статье. Приводятся точные показатели пайплайна: объём и структура признакового пространства, доля и структура пропусков, кривые обучения ELBO, влияние аугментации на корреляционную структуру данных и на итоговое качество импутации, оценка неопределённости методом Monte Carlo Dropout на реально пропущенном наблюдении и self-masking-валидация на трёх контрольных культурах (хлопок, сахарная свёкла, пшеница) в сравнении с методом среднего, KNN и MICE. Ключевой результат: аугментация обучающей выборки в этом прогоне не улучшила, а ухудшила и валидационный loss VAE (0,0616 → 0,1449), и точность self-masking восстановления VAE на всех трёх контрольных культурах; MICE при этом устойчиво превосходит VAE по точности восстановления на всех трёх культурах в обоих вариантах пайплайна. Результат сопровождается диаграммами, полученными непосредственно из данного прогона: коррелограммы до/после аугментации, кривые обучения, гистограмма MC Dropout, box-plot абсолютных ошибок self-masking, а также сравнение истинных и VAE-импутированных значений урожайности пшеницы на реально пропущенных наблюдениях.

вариационный автоэнкодер; импутация пропущенных данных; self-masking; Monte Carlo Dropout; аугментация данных; MICE; агроэкономическая панель; Кыргызская Республика

Бул макалада Кыргыз Республикасынын агроэкономикалык берилиштер панелине VAE ыкмасы менен берилиштерди толуктоо (импутация) пайплайнынын реалдуу иштешинин жыйынтыктары берилет. Пайплайн эки вариантта каралат: окутуу үлгүсүн аугментациясыз жана толук аугментация менен, бул макалада берилген методологиялык сүрөттөөнү толуктап турат. Пайплайндын так мүнөздөмөлөрү келтирилет: белгилер мейкиндигинин көлөмү жана түзүмү, бош маанилердин үлүшү жана түзүмү, ELBO окутуу ийри сызыктары, аугментациянын берилиштердин корреляциялык структурасына жана толуктоонун акыркы сапатына тийгизген таасири; чыныгы жетишпеген байкоолордо Monte Carlo Dropout жолу менен белгисиздикти баалоо жана үч контролдук өсүмдүккө (пахта, кант кызылы, буудай) жасалган self-masking валидациясы орточо мааниге, KNN жана MICE ыкмаларына салыштырмалуу берилет. Негизги жыйынтык: бул экспериментте окутуу үлгүсүн аугментациялоо VAE үчүн валидациялык loss маанисин (0,0616 → 0,1449) да, үч контролдук өсүмдүктүн selfmasking негизиндеги калыбына келтирүү тактыгын да жакшыртпастан, тескерисинче начарлатты; ошол эле учурда MICE эки вариантта тең үч өсүмдүктү толуктоодо VAE ыкмасынан тактыгы боюнча туруктуу түрдө үстөмдүк кылат. Натыйжалар түз ушул иштетүүдөн алынган диаграммалар менен коштолгон: аугментацияга чейинки жана кийинки коррелограмма, ELло окутуу ийри сызыктары, MC Dropout гистограммасы, self-masking абсолюттук каталардын box-plot диаграммалары, ошондой эле буудай түшүмүнүн чыныгы жана VAE менен толукталып алынган маанилеринин салыштыруу графиги көрсөтүлгөн.

вариациялык автоэнкодер; жетишпеген маалыматтарды толуктоо; self‑masking; Monte Carlo Dropout; маалыматтарды аугментациялоо; MICE; агроэкономикалык панель; Кыргыз Республикасы

This article presents the results of the actual execution of the VAE-based imputation pipeline on the agroeconomic data panel of the Kyrgyz Republic under two configurations: without training-set augmentation and with full augmentation, thereby continuing the methodological description provided. The paper reports detailed pipeline characteristics, including the size and structure of the feature space, the proportion and pattern of missing values, ELBO learning curves, the impact of augmentation on the correlation structure and the resulting imputation quality, uncertainty estimation using the Monte Carlo Dropout method for truly missing observations, and self-masking validation for three control crops: cotton, sugar beet, and wheat, in comparison with mean imputation, KNN, and MICE. The key result is that, in this pipeline run, training-set augmentation did not improve but instead worsened both the VAE validation loss (0,0616 → 0,1449) and the self-masking reconstruction accuracy of the VAE for all three control crops. At the same time, MICE consistently outperformed the VAE in reconstruction accuracy for all three crops under both pipeline configurations. These findings are supported by diagrams generated directly from the actual run, including correlation matrices before and after augmentation, ELBO learning curves, a Monte Carlo Dropout histogram, box plots of self-masking absolute errors, and a comparison of true and VAE-imputed wheat yield values for actually missing observations.

variational autoencoder; missing-data imputation; self-masking; Monte Carlo Dropout; data augmentation; MICE; agro-economic panel; Kyrgyz Republic