یادگیری فعال نیمه‌نظارتی

برچسب‌گذاری داده‌ها پرهزینه است؛ بیشتر مجموعه داده‌های واقعی وسیع هستند اما تنها بخش کوچکی دارای برچسب‌های اختصاص‌یافته توسط انسان است. یادگیری فعال می‌پرسد: کدام مثال‌های بدون برچسب را باید برای حداکثر کردن یادگیری برچسب‌گذاری کنیم؟ یادگیری نیمه‌نظارت‌شده می‌پرسد: آیا اصلاً می‌توانیم سیگنالی از مثال‌های بدون برچسب استخراج کنیم؟ SSAL هر دو کار را همزمان انجام می‌دهد — از طریق مفروضات سازگاری یا منیفولد از مجموعه بدون برچسب یاد می‌گیرد، سپس به طور هوشمندانه مثال‌هایی را انتخاب می‌کند که برچسب‌های آن‌ها برای یک حاشیه‌نویس انسانی آموزنده‌ترین خواهد بود. نتیجه یک حلقه بازخورد است که بودجه حاشیه‌نویسی را در جایی که بیشترین اهمیت را دارد متمرکز می‌کند و به مدل اجازه می‌دهد با مثال‌های برچسب‌گذاری شده کمتر نسبت به هر یک از رویکردهای به تنهایی، سریع‌تر بهبود یابد.