Semi-supervised Multilayer Perceptron (SSL-MLP)

Mengumpul data berlabel adalah mahal; data tanpa label biasanya banyak. MLP separahenvis merapatkan jurang dengan pertama sekali mempelajari perwakilan dalaman yang padat daripada semua data yang ada, kemudian menajamkan perwakilan itu menggunakan contoh berlabel sebagai sauh. Wawasan utama ialah struktur geometri taburan data penuh mengehadkan sempadan keputusan yang mungkin, jadi walaupun titik tanpa label membimbing rangkaian ke arah penyelesaian yang lebih boleh digeneralisasi. Kaedah seperti pseudo-labeling membenarkan model mengajar dirinya sendiri dengan secara berulang-ulang menganggap ramalan keyakinan tertingginya pada data tanpa label sebagai sasaran lembut untuk latihan selanjutnya.