研究人员提出了 PeTeR，一种新颖的无数据后训练框架，旨在使预训练概率电路（PC）在面对分布偏移时更加鲁棒，而无需从头开始重新训练。基于似然的标准 PC 学习在面临数据噪声或小样本量时，往往容易过拟合且泛化能力脆弱。

  • PeTeR 通过在经验分布的 Wasserstein 球内考虑最坏情况分布来应用分布鲁棒优化，从而缓解这些问题。
  • 该方法作为后训练步骤运行，允许现有模型在不进行完整重新训练计算成本的情况下变得鲁棒。
  • 在多个密度估计基准上的实证评估表明，PeTeR 能有效处理随机和对抗性扰动。
  • 与依赖数据的鲁棒学习基线相比，该方法取得了具有竞争力或更优的性能。

该框架为在嘈杂或变化的环境中提高概率电路的可靠性提供了一种实用解决方案，而无需从头训练新模型的开销。