محققان در تازهترین پژوهش خود، چارچوب جدیدی به نام «PeTeR» را برای مقاومسازی «مدارهای احتمالات» (Probabilistic Circuits) معرفی کردهاند.
مشکل اصلی مدلهای فعلی، آسیبپذیری آنها در برابر نویز دادهها و تغییرات توزیع (Distribution Shifts) است که معمولاً منجر به افت عملکرد میشود. نکته جذاب PeTeR اینجاست که برای مقاوم کردن مدل، نیازی به آموزش مجدد (Retraining) ندارد و به صورت «پسآموزشی» (Post-training) روی مدلهای از پیش آموزش دیده اعمال میشود. این روش باعث میشود مدلها در شرایط واقعی و در مواجهه با دادههای نویزدار، بسیار هوشمندتر و پایدارتر عمل کنند.
این دستاورد گامی رو به جلو برای افزایش قابلیت اطمینان سیستمهای هوش مصنوعی در محیطهای پیچیده و غیرقابل پیشبینی است. 🚀
منبع: arXiv Machine Learning