เปรียบเทียบวิธี

	การเรียนรู้แบบแอคทีฟที่กำกับดูแลตนเอง	การเรียนรู้แบบกำกับดูแลตนเอง
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2021	2018–2020
ผู้ริเริ่ม	Bengar et al. and concurrent works (multiple groups)	LeCun, Y. and community (formalized ~2018–2020)
ประเภท	Hybrid active-learning and self-supervised pre-training framework	Representation learning paradigm
แหล่งต้นตำรับ	Bengar, J. Z., van de Weijer, J., Twardowski, B., & Raducanu, B. (2021). Reducing Label Effort: Self-Supervised Meets Active Learning. In Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), pp. 1631–1639.	LeCun, Y. & Misra, I. (2022). Self-supervised learning: The dark matter of intelligence. Meta AI Blog. https://ai.facebook.com/blog/self-supervised-learning-the-dark-matter-of-intelligence/
ชื่อเรียกอื่น	SSL-AL, self-supervised active learning, semi-supervised active learning with self-supervision, label-efficient self-supervised learning	SSL, self-supervised pre-training, pretext-task learning, unsupervised representation learning
ที่เกี่ยวข้อง	5	3
สรุป	Self-supervised Active Learning (SSL-AL) is a label-efficient machine-learning paradigm that pre-trains a model on unlabeled data using self-supervised objectives, then strategically queries a human oracle for the most informative labels using an active-learning acquisition function. The result is strong predictive performance with a fraction of the annotation cost required by fully supervised approaches.	Self-supervised learning (SSL) is a machine-learning paradigm that generates its own supervisory signal directly from unlabeled data by defining an auxiliary pretext task — such as predicting masked words, rotating images, or contrasting augmented views — and uses the learned representations as a powerful starting point for downstream tasks with minimal labeled examples.