เปรียบเทียบวิธี

	การเรียนรู้แบบกึ่งกำกับดูแลแบบรวมกลุ่ม (Ensemble Semi-supervised Learning)	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1998–2005	1970s–2006 (formalized)
ผู้ริเริ่ม	Blum & Mitchell (co-training); Zhou & Li (tri-training)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Ensemble + semi-supervised hybrid paradigm	Learning paradigm
แหล่งต้นตำรับ	Zhou, Z.-H., & Li, M. (2005). Tri-training: Exploiting unlabeled data using three classifiers. IEEE Transactions on Knowledge and Data Engineering, 17(11), 1529–1541.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	semi-supervised ensemble, SSL ensemble, ensemble-based SSL, co-training ensemble	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	6	5
สรุป	Ensemble semi-supervised learning combines multiple base learners with the semi-supervised paradigm, exploiting both a small labeled set and a large pool of unlabeled data. By letting diverse classifiers teach each other through pseudo-labeling or co-training, the ensemble improves generalization far beyond what either approach alone could achieve with limited labels.	Semi-supervised learning (SSL) is a machine learning paradigm that trains models using a small set of labeled examples together with a much larger pool of unlabeled data. By leveraging the structure inherent in unlabeled data, SSL achieves accuracy closer to fully supervised models while requiring far fewer costly manual labels — making it practical when labeling is expensive, slow, or resource-constrained.