Наведено теоретичне обґрунтування методу, де задача навчання формалізується, як двоосібна гра між моделлю та адверсарним середовищем, яке генерує несприятливі збурення вхідних даних. Такий підхід дозволяє мінімізувати максимальні втрати та підвищити робастність моделі. Реалізація мінімаксної BNN здійснюється через інтеграцію адверсарного навчання у варіаційний байєсівський підхід, що дає змогу одночасно враховувати як епістемічну, так і алеаторну невизначеність. Експериментальна частина дослідження базується на задачі апроксимації функцій різного характеру, зокрема періодичних та експоненційних залежностей, за наявності гаусівського шуму. Проведено порівняльний аналіз класичної BNN та мінімаксної BNN за такими критеріями, як стабільність навчання, динаміка функції втрат, точність апроксимації та дисперсія передбачень. Продемостровано, що використання мінімаксної стратегії дозволяє ефективно пригнічувати вплив шуму, зменшувати перенавчання та забезпечувати більш надійні передбачення в умовах обмежених або зашумлених даних. Запропонований підхід може бути застосований у задачах, де критичною є стійкість моделі до невизначеності, зокрема в аналізі ризиків, обробці сигналів та інтелектуальних системах прийняття рішень.