Работа посвящена реализации и верификация модели машинного обучения с представлением модели внимания при помощи ядра, реализованного в виде обучаемой полносвязной нейронной сети, в регрессии Надарая-Уотсона для решения задачи классификации и регрессии путем обработки изображений большой размерности сверточными сетями. Реализованная модель машинного обучения применена для решения общей задачи оценки условного среднего эффекта лечения с бинарным типом лечения и входными данными, представляющими изображения большой размерности, в условиях дисбаланса контрольной и тестовой подгрупп. Для задач регрессии, классификации и оценки эффекта лечения показаны преимущества использования полносвязной нейронной сети, реализующей функцию ядра в модели внимания в виде регрессии Надарая-Уотсона, над часто применяемым непараметрическим гауссовым ядром.  Для обучения моделей в задачах классификации использованы общедоступные наборы изображений CIFAR-10, FGVC-Aircraft, а для регрессии и оценки эффекта лечения использован набор изображений UTKFace.

The paper is dedicated to the implementation and verification of a machine learning model with an attention model representation via a kernel, realized as a trainable fully-connected neural network, in Nadaraya-Watson regression for solving classification and regression tasks by processing high-dimensional images with convolutional networks. The implemented machine learning model has been applied to solve the general task of estimating the conditional average treatment effect with a binary type of treatment and input data represented by high-dimensional images under conditions of imbalance of the control and treatment groups. The benefits of using a fully-connected neural network, implementing a kernel function in the attention model in the form of Nadaraya-Watson regression, over the frequently used non-parametric Gaussian kernel, have been shown for regression, classification, and treatment effect estimation tasks. Publicly available image sets CIFAR-10 and FGVC-Aircraft were used for training models in classification tasks, while the UTKFace image set was used for regression and treatment effect estimation.