PeTeR: 확률적 회로의 학습 후 강건화 (Post-Training Robustification of Probabilistic

요약

본 논문은 확률적 회로(PCs)가 데이터 노이즈나 분포 변화에 취약한 문제를 해결하기 위해 PeTeR이라는 새로운 학습 후 강건화 프레임워크를 제안합니다. PeTeR은 사전 학습된 PC를 재학습 없이 분포 변화에 강건하게 만드는 데이터 프리 방식입니다.

핵심 포인트

• 확률적 회로(PCs)는 복잡한 결합 분포 모델링에 유용하지만, 노이즈와 분포 변화에 취약합니다.
• 기존의 강건 학습 방법은 처음부터 훈련하는 데 한계가 있었습니다.
• PeTeR은 사전 학습된 PC를 재학습 없이 데이터 프리 방식으로 강건화합니다.
• 평가 결과, PeTeR은 무작위 및 적대적 교란에 대해 우수한 성능을 보였습니다.