Исследователи предлагают PeTeR, новую фреймворк постобучения без данных, предназначенный для повышения устойчивости предварительно обученных вероятностных цепей (PC) к сдвигам распределения без необходимости переобучения с нуля. Стандартное обучение PC на основе правдоподобия часто уязвимо к переобучению и хрупкой обобщающей способности при столкновении с шумом данных или малыми объемами выборок.
- PeTeR смягчает эти проблемы, применяя оптимизацию, устойчивую к распределению, которая учитывает наихудшие распределения внутри шара Вассерштейна эмпирического распределения.
- Метод работает как шаг постобучения, позволяя существующим моделям быть устойчивыми без вычислительных затрат полного переобучения.
- Эмпирические оценки на множестве бенчмарков оценки плотности показывают, что PeTeR эффективно справляется как со случайными, так и с состязательными возмущениями.
- Подход достигает конкурентоспособной или превосходной производительности по сравнению с базовыми методами обучения, зависящими от данных.
Этот фреймворк предоставляет практическое решение для повышения надежности вероятностных цепей в зашумленных или изменяющихся средах без накладных расходов на обучение новых моделей с нуля.