เปรียบเทียบวิธี

	Robust Boosting	การเพิ่มกำลังการไล่ระดับสีที่ทนทาน (Robust Gradient Boosting)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1999–2001	2001
ผู้ริเริ่ม	Freund, Y.; Mason, L. et al.	Friedman, J. H. (with Huber loss from Huber, P. J.)
ประเภท	Ensemble (robust sequential boosting)	Ensemble (boosted trees with robust loss)
แหล่งต้นตำรับ	Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318.	Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232.
ชื่อเรียกอื่น	noise-tolerant boosting, robust AdaBoost, boosting with robust losses, outlier-resistant boosting	gradient boosting with Huber loss, robust GBM, outlier-robust boosting, robust gradient-boosted trees
ที่เกี่ยวข้อง	6	6
สรุป	Robust Boosting modifies standard boosting algorithms — such as AdaBoost or gradient boosting — by replacing the default exponential or squared loss with robust loss functions (e.g., Huber, logistic, or truncated losses) or by incorporating noise-tolerance mechanisms, so that the ensemble remains accurate even when training data contain outliers, label noise, or heavy-tailed errors.	Robust Gradient Boosting is gradient boosting trained with outlier-resistant loss functions — most commonly the Huber loss or quantile (pinball) loss — instead of squared-error loss. Proposed in Friedman's seminal 2001 paper, this variant produces predictions far less distorted by extreme values or contaminated labels, while retaining the full predictive power of gradient-boosted trees.