Para peneliti mengusulkan PeTeR, sebuah kerangka kerja pascapelatihan bebas data yang dirancang untuk memperkuat sirkuit probabilistik (PCs) pra-pelatihan terhadap pergeseran distribusi tanpa memerlukan pelatihan ulang dari awal. Pembelajaran PC berbasis likelihood standar sering kali rentan terhadap overfitting dan generalisasi yang rapuh ketika menghadapi noise data atau ukuran sampel kecil.
- PeTeR mengurangi masalah ini dengan menerapkan optimisasi robust distribusi yang mempertimbangkan distribusi kasus terburuk dalam bola Wasserstein dari distribusi empiris.
- Metode ini beroperasi sebagai langkah pascapelatihan, memungkinkan model yang ada diperkuat tanpa biaya komputasi pelatihan ulang penuh.
- Evaluasi empiris di berbagai benchmark estimasi densitas menunjukkan PeTeR secara efektif menangani gangguan acak dan adversarial.
- Pendekatan ini mencapai kinerja yang kompetitif atau unggul dibandingkan baseline pembelajaran robust bergantung data.
Kerangka kerja ini memberikan solusi praktis untuk meningkatkan keandalan sirkuit probabilistik dalam lingkungan berisik atau berubah tanpa overhead pelatihan model baru dari awal.