Los investigadores proponen PeTeR, un nuevo marco de postentrenamiento sin datos diseñado para robustificar circuitos probabilísticos (PC) preentrenados frente a cambios de distribución sin requerir reentrenamiento desde cero. El aprendizaje estándar de PC basado en verosimilitud es a menudo vulnerable al sobreajuste y a una generalización frágil al enfrentar ruido de datos o tamaños de muestra pequeños.
- PeTeR mitiga estos problemas aplicando optimización robusta frente a la distribución que considera las peores distribuciones dentro de una bola de Wasserstein de la distribución empírica.
- El método opera como un paso de postentrenamiento, permitiendo que los modelos existentes sean robustificados sin el costo computacional del reentrenamiento completo.
- Las evaluaciones empíricas en múltiples benchmarks de estimación de densidad muestran que PeTeR maneja efectivamente tanto perturbaciones aleatorias como adversarias.
- El enfoque logra un rendimiento competitivo o superior en comparación con las líneas base de aprendizaje robusto dependiente de datos.
Este marco proporciona una solución práctica para mejorar la fiabilidad de los circuitos probabilísticos en entornos ruidosos o cambiantes sin la sobrecarga de entrenar nuevos modelos desde cero.