Pesquisadores propõem o PeTeR, um novo framework de pós-treinamento sem dados projetado para robustificar circuitos probabilísticos (PCs) pré-treinados contra mudanças de distribuição sem exigir retreinamento do zero. O aprendizado padrão de PCs baseado em verossimilhança é frequentemente vulnerável ao overfitting e à generalização frágil ao enfrentar ruído nos dados ou tamanhos de amostra pequenos.
- O PeTeR mitiga esses problemas aplicando otimização robusta frente à distribuição que considera as distribuições piores dentro de uma bola de Wasserstein da distribuição empírica.
- O método opera como uma etapa de pós-treinamento, permitindo que modelos existentes sejam robustificados sem o custo computacional do retreinamento completo.
- Avaliações empíricas em múltiplos benchmarks de estimação de densidade mostram que o PeTeR lida efetivamente com perturbações aleatórias e adversárias.
- A abordagem alcança desempenho competitivo ou superior em comparação com as linhas de base de aprendizado robusto dependente de dados.
Este framework fornece uma solução prática para melhorar a confiabilidade dos circuitos probabilísticos em ambientes ruidosos ou em mudança sem a sobrecarga de treinar novos modelos do zero.