เปรียบเทียบวิธี

	แผนภูมิตัดสินใจแบบเรียนรู้ด้วยตนเอง	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015–present	1970s–2006 (formalized)
ผู้ริเริ่ม	Multiple authors (active research area, 2010s–2020s)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Self-supervised ensemble/single tree model	Learning paradigm
แหล่งต้นตำรับ	Self-supervised learning. Wikipedia.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	SSL decision tree, self-supervised tree classifier, pseudo-label decision tree, unsupervised-guided decision tree	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	5	5
สรุป	Self-supervised Decision Tree learning combines the interpretability of classical decision trees with the ability to exploit large quantities of unlabeled data through self-supervised pretext tasks. The model learns useful feature representations or node-split criteria from unlabeled samples before refining predictions on a small labeled set, bridging the gap between fully supervised trees and purely unsupervised clustering.	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.