Semi-supervised Active Learning (SSAL)

Pelabelan data itu mahal; sebagian besar dataset besar tetapi hanya sebagian kecil yang memiliki label yang ditetapkan manusia. Active learning bertanya: contoh tak berlabel mana yang harus kita beri label selanjutnya untuk memaksimalkan pembelajaran? Semi-supervised learning bertanya: bisakah kita mengekstrak sinyal dari contoh tak berlabel sama sekali? SSAL melakukan keduanya sekaligus — ia belajar dari kumpulan tak berlabel melalui asumsi konsistensi atau manifold, kemudian secara cerdas memilih contoh-contoh yang labelnya akan paling informatif bagi anotator manusia. Hasilnya adalah lingkaran umpan balik yang memusatkan anggaran anotasi di tempat yang paling penting, membiarkan model meningkat lebih cepat dengan lebih sedikit contoh berlabel daripada salah satu pendekatan saja.