เปรียบเทียบวิธี

	Gaussian Process แบบเรียนรู้เชิงรุก (Active Learning Gaussian Process)	Gaussian Process แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	2004
ผู้ริเริ่ม	MacKay, D. J. C.	Lawrence, N. D. & Jordan, M. I.
ประเภท	Bayesian active learning	Probabilistic model (semi-supervised)
แหล่งต้นตำรับ	MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604.	Lawrence, N. D., & Jordan, M. I. (2004). Semi-supervised learning via Gaussian processes. In Advances in Neural Information Processing Systems (NIPS), 17, 753–760. MIT Press.
ชื่อเรียกอื่น	GP active learning, Gaussian process active learning, GP-AL, Bayesian active learning with GP	SS-GP, semi-supervised GP, Gaussian process with unlabeled data, GP manifold learning
ที่เกี่ยวข้อง	4	5
สรุป	Active Learning Gaussian Process (GP-AL) combines a Gaussian process probabilistic model with an active learning query strategy, using the GP's posterior uncertainty to select the most informative unlabeled examples for labeling. This iterative approach minimizes labeling effort while maximizing predictive accuracy, making it ideal when labeled data is scarce or expensive to obtain.	Semi-supervised Gaussian Process extends the probabilistic GP framework to exploit unlabeled data alongside a small set of labeled observations. By placing a GP prior over functions and leveraging the geometric structure revealed by unlabeled inputs, it learns more accurate and better-calibrated predictors than a purely supervised GP when labels are scarce, making it well suited for scientific and medical problems where annotation is expensive.