Semi-supervised Multilayer Perceptron (SSL-MLP)

Att samla in märkta data är dyrt; omärkta data är vanligtvis rikliga. En semi-övervakad MLP överbryggar klyftan genom att först lära sig en kompakt intern representation från alla tillgängliga data, och sedan skärpa den representationen med hjälp av de märkta exemplen som ankare. Den centrala insikten är att den geometriska strukturen av hela datadistributionen begränsar vilka beslutgränser som är troliga, så även omärkta punkter styr nätverket mot mer generaliserbara lösningar. Metoder som pseudomärkning låter modellen lära sig själv genom att iterativt behandla sina prediktioner med högst konfidens på omärkta data som mjuka mål för vidare träning.