انباشت پشته‌سازی مقاوم (Robust Stacking Ensemble)

انباشت پشته‌سازی مقاوم، تعمیم‌دهنده‌ی تعمیم‌دهی پشته‌ای کلاسیک است که در آن، یادگیرنده‌ی فراداده (meta-learner) با یک برآوردگر مقاوم جایگزین می‌شود — مانند رگرسیون‌گر با زیان هابِر (Huber-loss regressor)، رگرسیون کوانتایل (quantile regression)، یا مدلی که بر روی باقی‌مانده‌های هرس‌شده (trimmed residuals) آموزش دیده است — تا لایه‌ی ترکیب‌کننده انباشت (ensemble's combination layer) در برابر پیش‌بینی‌های پرت و نویزدارِ یادگیرنده‌های پایه (base-learner predictions) مقاوم باشد. این روش، دقت و قابلیت اطمینان پیش‌بینی را در مجموعه داده‌های دنیای واقعی با برچسب‌های آلوده یا توزیع‌های خطای دُم‌سنگین (heavy-tailed error distributions) بهبود می‌بخشد.