Les chercheurs proposent PeTeR, un nouveau framework de post-entraînement sans données conçu pour renforcer la robustesse des circuits probabilistes (PCs) pré-entraînés face aux changements de distribution, sans nécessiter de réentraînement complet.
- PeTeR atténue ces problèmes en appliquant une optimisation robuste par rapport à la distribution qui prend en compte les distributions dans le pire des cas au sein d'une boule de Wasserstein de la distribution empirique.
- La méthode fonctionne comme une étape de post-entraînement, permettant de renforcer les modèles existants sans le coût computationnel d'un réentraînement complet.
- Les évaluations empiriques sur plusieurs benchmarks d'estimation de densité montrent que PeTeR gère efficacement les perturbations aléatoires et adversariales.
- L'approche obtient des performances compétitives ou supérieures par rapport aux bases d'apprentissage robuste dépendant des données.
Ce framework offre une solution pratique pour améliorer la fiabilité des circuits probabilistes dans des environnements bruités ou changeants, sans la surcharge de l'entraînement de nouveaux modèles à partir de zéro.