शोधकर्ताओं ने PeTeR प्रस्तावित किया, एक नया डेटा-मुक्त पोस्ट-ट्रेनिंग फ्रेमवर्क जो पूर्व-प्रशिक्षित संभाव्य सर्किटों (PCs) को वितरण शिफ्ट के खिलाफ मजबूत बनाने के लिए डिज़ाइन किया गया है, बिना शुरुआत से पुनः प्रशिक्षण की आवश्यकता के। सम্ভाव्यता-आधारित मानक PC शिक्षण अक्सर डेटा शोर या छोटे नमूना आकारों का सामना करते समय ओवरफिटिंग और नाजुक सामान्यीकरण के लिए संवेदनशील होता है।
- PeTeR अनुभवजन्य वितरण के वासरेर्स्टाइन गेंद के भीतर सबसे खराब वितरणों पर विचार करते हुए वितरण-रोबस्ट ऑप्टिमाइजेशन लागू करके इन समस्याओं को कम करता है।
- विधि एक पोस्ट-ट्रेनिंग चरण के रूप में काम करती है, मौजूदा मॉडलों को पूर्ण पुनः प्रशिक्षण की कंप्यूटेशनल लागत के बिना मजबूत बनने की अनुमति देती है।
- कई घनत्व अनुमानन बेंचमार्क्स पर प्रायोगिक मूल्यांकन दिखाते हैं कि PeTeR यादृच्छिक और शत्रुतापूर्ण विक्षोभ दोनों को प्रभावी ढंग से संभालता है।
- डेटा-निर्भर रोबस्ट लर्निंग बेलाइन्स की तुलना में दृष्टिकोण प्रतिस्पर्धी या श्रेष्ठ प्रदर्शन प्राप्त करता है।
यह फ्रेमवर्क शोर वाले या बदलते वातावरण में संभाव्य सर्किटों की विश्वसनीयता को बेहतर बनाने के लिए एक व्यावहारिक समाधान प्रदान करता है, बिना नए मॉडलों को शुरुआत से प्रशिक्षित करने की ओवरहेड के।