เปรียบเทียบวิธี

	การเรียนรู้เมตริกที่ทนทาน	การสนับสนุนแบบจำลองที่แข็งแกร่ง
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2009–2012	2006–2009
ผู้ริเริ่ม	Various (Weinberger, Saul, Schultz et al.; robust extensions by Shen, Cao and others, 2009–2012)	Xu, H., Caramanis, C., & Mannor, S.
ประเภท	Supervised/semi-supervised distance metric learning with robustness to noise and outliers	Robust supervised classifier / regressor
แหล่งต้นตำรับ	Shen, C., Kim, J., Wang, L., & van den Hengel, A. (2012). Positive Semidefinite Metric Learning Using Boosting-like Algorithms. Journal of Machine Learning Research, 13, 1007–1036.	Xu, H., Caramanis, C., & Mannor, S. (2009). Robustness and regularization of support vector machines. Journal of Machine Learning Research, 10, 1485–1510.
ชื่อเรียกอื่น	robust distance metric learning, noise-robust metric learning, outlier-robust similarity learning, robust DML	Robust SVM, RSVM, noise-tolerant SVM, outlier-robust SVM
ที่เกี่ยวข้อง	5	5
สรุป	Robust Metric Learning learns a Mahalanobis distance function from labeled or pairwise-constrained data while actively resisting the distortion caused by noisy labels, corrupted examples, or outliers. By replacing standard hinge or squared losses with robust alternatives and adding regularization, it produces a distance metric that generalises well even when the training set is imperfect — a common situation in real-world scientific and applied tasks.	Robust SVM extends the standard support vector machine to resist the influence of outliers and mislabeled points. By replacing the hinge loss with a bounded or non-convex loss function — or by incorporating robust optimization constraints — it learns a decision boundary that is far less distorted by corrupted training examples, making it suitable for noisy real-world datasets where standard SVM would degrade significantly.