يقترح الباحثون إطار ما بعد التدريب PeTeR، وهو إطار جديد لا يعتمد على البيانات مصمم لتعزيز متانة الدوائر الاحتمالية (PCs) المدربة مسبقاً ضد تحولات التوزيع دون الحاجة إلى إعادة التدريب من الصفر. غالباً ما يكون تعلم PCs القائم على الاحتمالية القياسية عرضة للإفراط في التخصيص وتعميلاً هشاً عند مواجهة ضوضاء البيانات أو أحجام العينات الصغيرة.
- يخفف PeTeR من هذه المشكلات عن طريق تطبيق تحسين متين توزيعياً يأخذ في الاعتبار أسوأ التوزيعات ضمن كرة Wasserstein للتوزيع التجريبي.
- تعمل الطريقة كخطوة ما بعد التدريب، مما يسمح بتعزيز النماذج الحالية دون تكلفة الحوسبة لإعادة التدريب الكامل.
- أظهرت التقييمات التجريبية عبر معايير تقدير الكثافة المتعددة أن PeTeR يعالج بشكل فعال الاضطرابات العشوائية والعدائية.
- يحقق النهج أداءً تنافسياً أو متفوقاً مقارنة بأساسيات التعلم المتين المعتمد على البيانات.
يوفر هذا الإطار حلاً عملياً لتحسين موثوقية الدوائر الاحتمالية في البيئات ذات الضوضاء أو المتغيرة دون عبء تدريب نماذج جديدة من الصفر.