本文介绍了一种名为Robustness-Constrained Learning（RCL）的机器学习增强算法，用于提高ML预测的鲁棒性。该算法通过将不受信任的ML预测与可信的专家在线算法结合，以增强预测性能。研究表明，RCL能够在多步切换成本和反馈延迟情况下保证（1+λ）竞争力，并以鲁棒性感知的方式训练ML模型。以电动交通的电池管理为案例研究，展示了RCL在鲁棒性和平均性能方面的改进。

本文介绍了一种名为Robustness-Constrained Learning（RCL）的新型机器学习增强算法，用于提高ML预测的鲁棒性。该算法通过将不受信任的ML预测与可信的专家在线算法结合，以增强ML预测的性能。研究表明，RCL能够在多步切换成本和反馈延迟情况下保证（1+λ）竞争力，并以鲁棒性感知的方式训练ML模型。以电动交通的电池管理为案例研究，展示了RCL在鲁棒性和平均性能方面的改进。