আধা-তত্ত্বাবধানে শিক্ষা

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.

অনেক বাস্তব সেটিংসে আপনি ডেটার পাহাড় সংগ্রহ করতে পারেন কিন্তু শুধুমাত্র একটি ছোট টুকরা লেবেল করতে পারেন। আধা-তত্ত্বাবধানে শেখা ব্যবধান পূরণ করে লেবেলবিহীন ডেটা মডেলটিকেও গাইড করে। দুটি মূল ধারণা এটি শক্তি. প্রথমত, ছদ্ম-লেবেলিং (স্ব-প্রশিক্ষণ): মডেলটি লেবেলবিহীন উদাহরণগুলিকে লেবেল করে যেগুলি সম্পর্কে এটি সবচেয়ে বেশি আত্মবিশ্বাসী এবং তারপরে তাদের উপর পুনরায় প্রশিক্ষণ দেয় যেন সেই অনুমানগুলি সত্য। দ্বিতীয়ত, সামঞ্জস্য নিয়মিতকরণ: মডেলটিকে একটি উদাহরণের জন্য একই ভবিষ্যদ্বাণী দেওয়া উচিত এমনকি এটি সামান্য বিরক্ত বা বর্ধিত হওয়ার পরেও, তাই লেবেলবিহীন ডেটা স্থিতিশীল, বোধগম্য আউটপুট প্রয়োগ করতে পারে। ফিক্সম্যাচের মত পদ্ধতি উভয়কে একত্রিত করে। এই সমস্ত কিছুর অন্তর্নিহিত হল 'ক্লাস্টার অনুমান', এই ধারণা যে বৈশিষ্ট্য স্পেসে একত্রিত পয়েন্টগুলি সম্ভবত একটি লেবেল ভাগ করে, তাই লেবেলবিহীন পয়েন্টগুলি সিদ্ধান্তের সীমানাকে তীক্ষ্ণ করে।