نیم زیر نگرانی لرننگ

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.

بہت سی حقیقی ترتیبات میں آپ ڈیٹا کے پہاڑ جمع کر سکتے ہیں لیکن صرف ایک چھوٹا سا ٹکڑا لگانے کا متحمل ہو سکتے ہیں۔ نیم زیر نگرانی لرننگ بغیر لیبل والے ڈیٹا کو بھی ماڈل کی رہنمائی کرنے دے کر خلا کو پُر کرتی ہے۔ دو بنیادی خیالات اسے طاقت دیتے ہیں۔ سب سے پہلے، سیوڈو لیبلنگ (خود کی تربیت): ماڈل بغیر لیبل والی مثالوں کو لیبل کرتا ہے جس کے بارے میں اسے سب سے زیادہ اعتماد ہوتا ہے اور پھر ان پر دوبارہ اس طرح تربیت دیتا ہے جیسے یہ اندازے درست ہوں۔ دوسرا، مستقل مزاجی: ماڈل کو ایک مثال کے طور پر ایک ہی پیشین گوئی کرنا چاہئے یہاں تک کہ یہ تھوڑا سا پریشان یا بڑھا ہوا ہے، لہذا بغیر لیبل والا ڈیٹا مستحکم، سمجھدار نتائج کو نافذ کر سکتا ہے۔ فکس میچ جیسے طریقے دونوں کو یکجا کرتے ہیں۔ ان سب کی بنیاد 'کلسٹر مفروضہ' ہے، یہ خیال کہ فیچر اسپیس میں ایک ساتھ کلسٹر کیے گئے پوائنٹس شاید ایک لیبل کا اشتراک کرتے ہیں، اس لیے بغیر لیبل والے پوائنٹس فیصلے کی حد کو تیز کرتے ہیں۔