Semi-supervised Multilayer Perceptron (SSL-MLP)

Het verzamelen van gelabelde data is duur; ongelabelde data is doorgaans overvloedig. Een semi-gesuperviseerd MLP overbrugt de kloof door eerst een compacte interne representatie te leren uit alle beschikbare data, en die representatie vervolgens aan te scherpen met de gelabelde voorbeelden als anker. Het kerninzicht is dat de geometrische structuur van de volledige dataverdeling de beslissingsgrenzen beperkt die plausibel zijn, zodat zelfs ongelabelde punten het netwerk naar meer generaliseerbare oplossingen leiden. Methoden zoals pseudo-labeling laten het model zichzelf onderwijzen door iteratief zijn voorspellingen met de hoogste betrouwbaarheid op ongelabelde data te behandelen als zachte doelen voor verdere training.