研究者らは、PeTeRを提案しました。これは、ゼロからの再学習を必要とせずに、事前学習済み確率回路（PCs）を分布シフトに対して堅牢にするために設計された、新規なデータフリーのポストトレーニングフレームワークです。

  • PeTeRは、経験的分布のワッサースタインボール内の最悪ケース分布を考慮する分布ロバスト最適化を適用することで、これらの問題を緩和します。
  • この手法はポストトレーニングステップとして機能し、既存モデルにフル再学習の計算コストをかけずに堅牢性を与えることができます。
  • 複数の密度推定ベンチマークでの実証的評価により、PeTeRがランダムおよび敵対的摂動の両方を効果的に処理できることが示されました。
  • このアプローチは、データ依存のロバスト学習ベースラインと比較して、競争力のあるまたは優れたパフォーマンスを達成します。

このフレームワークは、ゼロからの新規モデルのトレーニングというオーバーヘッドなしに、ノイズの多い環境やシフトする環境における確率回路の信頼性を向上させるための実用的なソリューションを提供します。