Pembelajaran Daring yang Kuat (Robust Online Learning)

Pembelajaran Daring yang Kuat memperluas kerangka pembelajaran daring — di mana model diperbarui secara sekuensial setelah setiap observasi — dengan menggabungkan mekanisme kekebalan yang melindungi dari label yang rusak, contoh adversarial, derau ekor berat, dan pergeseran konsep. Hasilnya adalah pembelajar sekuensial yang mempertahankan penyesalan terbatas (bounded regret) bahkan ketika aliran data mengandung pencilan (outlier) atau gangguan yang disengaja.