التعلم شبه الخاضع للإشراف

It hits a sweet spot when labels are scarce or costly but raw data is plentiful, often matching fully supervised accuracy at a fraction of the labeling effort.

في العديد من الإعدادات الحقيقية، يمكنك جمع جبال من البيانات، ولكن لا يمكنك سوى تسمية شريحة صغيرة منها. يعمل التعلم شبه الخاضع للإشراف على سد الفجوة من خلال السماح للبيانات غير المسماة بتوجيه النموذج أيضًا. هناك فكرتان أساسيتان تقويانه. أولاً، وضع العلامات الزائفة (التدريب الذاتي): يقوم النموذج بتسمية الأمثلة غير المسماة التي يثق بها كثيرًا ثم يعيد التدريب عليها كما لو كانت تلك التخمينات صحيحة. ثانيًا، تنظيم الاتساق: يجب أن يعطي النموذج نفس التنبؤ لمثال حتى بعد اضطرابه أو زيادته قليلاً، بحيث يمكن للبيانات غير المسماة فرض مخرجات مستقرة ومعقولة. تجمع طرق مثل FixMatch بين الاثنين معًا. يكمن وراء كل ذلك "افتراض المجموعة"، وهي فكرة أن النقاط المتجمعة معًا في مساحة الميزة ربما تشترك في التسمية، لذا فإن النقاط غير المسماة تزيد من حدة القرار.