Semi-supervised Boosting (Boosting with Unlabeled Data)

El boosting clásico se enfoca iterativamente en ejemplos etiquetados mal clasificados. El boosting semi-supervisado añade una nueva dimensión: utiliza la estructura geométrica de los datos no etiquetados para inferir etiquetas suaves (soft labels) o reponderar ejemplos. Intuitivamente, si dos puntos no etiquetados son muy similares entre sí, deberían recibir la misma etiqueta. Al incorporar esta presión de consistencia en las actualizaciones de ponderación del conjunto, el modelo puede generalizar mejor incluso cuando solo hay disponibles un puñado de ejemplos etiquetados. El resultado es un modelo que toma prestada señal de la mayoría no etiquetada mientras sigue siendo guiado por la minoría etiquetada.