เปรียบเทียบวิธี

	การลงคะแนนแบบกลุ่มที่ทนทาน	Robust Bagging
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s–2010s	1996–2000s
ผู้ริเริ่ม	Dietterich, T. G. (ensemble voting foundations); robustification extensions developed broadly in the ML community	Breiman, L. (bagging); robust variants developed by various authors in 2000s
ประเภท	Robust ensemble aggregation	Ensemble (robust bootstrap aggregating)
แหล่งต้นตำรับ	Dietterich, T. G. (2000). Ensemble methods in machine learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems, LNCS 1857, 1–15. Springer.	Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.
ชื่อเรียกอื่น	robust majority voting, robust vote aggregation, noise-tolerant voting ensemble, fault-tolerant classifier combination	robust bootstrap aggregating, robust ensemble bagging, outlier-resistant bagging, robust BAGGing
ที่เกี่ยวข้อง	6	6
สรุป	Robust Voting Ensemble combines predictions from multiple base classifiers using noise-tolerant aggregation — such as weighted voting, trimmed voting, or median-based combination — to produce final decisions that remain reliable when individual classifiers are corrupted by noisy labels, adversarial inputs, or distributional shift.	Robust Bagging extends the classic Bootstrap Aggregating (Bagging) framework by replacing or augmenting standard base learners with robust estimators — or by using robust aggregation rules — so that the ensemble remains accurate even when training data contain outliers, mislabelled instances, or heavy-tailed noise distributions.