เปรียบเทียบวิธี

	การเรียนรู้เชิงรุกแบบออนไลน์	Online Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s	2009
ผู้ริเริ่ม	Cesa-Bianchi, N. and others (multiple contributors)	Saffari, A. et al.
ประเภท	Hybrid learning paradigm (online + active)	Incremental ensemble (streaming decision trees)
แหล่งต้นตำรับ	Cesa-Bianchi, N., Gentile, C., & Zaniboni, L. (2006). Worst-case analysis of selective sampling for linear classification. Journal of Machine Learning Research, 7, 1205–1230.	Saffari, A., Leistner, C., Santner, J., Godec, M., & Bischof, H. (2009). On-line random forests. In Proceedings of the 3rd IEEE International Workshop on On-Line Learning for Computer Vision (OLCV 2009), pp. 1–8. IEEE.
ชื่อเรียกอื่น	streaming active learning, online query-by-committee, sequential active learning, incremental active learning	ORF, streaming random forest, incremental random forest, adaptive random forest
ที่เกี่ยวข้อง	6	6
สรุป	Online active learning combines two complementary paradigms: it processes data as a stream (online learning) and selectively requests labels only for the most informative instances (active learning). The result is a model that adapts continuously to new data while keeping labeling costs low — useful whenever labeled data is expensive and examples arrive sequentially rather than all at once.	Online Random Forest (ORF) extends the classic Random Forest to streaming settings, updating each tree incrementally as new observations arrive without storing or replaying the full training set. Algorithms such as Adaptive Random Forests (ARF) add drift detection so the ensemble adapts when the data distribution changes over time.