เปรียบเทียบวิธี

	Naive Bayes แบบเรียนรู้ตนเอง	การเรียนรู้แบบกำกับดูแลตนเอง
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000	2018–2020
ผู้ริเริ่ม	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.	LeCun, Y. and community (formalized ~2018–2020)
ประเภท	Self-supervised generative classifier	Representation learning paradigm
แหล่งต้นตำรับ	Nigam, K., McCallum, A. K., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39(2-3), 103–134.	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	Self-training Naive Bayes, EM Naive Bayes, Expectation-Maximization Naive Bayes, Pseudo-label Naive Bayes	SSL, self-supervised pre-training, pretext-task learning, unsupervised representation learning
ที่เกี่ยวข้อง	5	3
สรุป	Self-supervised Naive Bayes extends the classic Naive Bayes classifier to exploit large pools of unlabeled data by iteratively assigning soft pseudo-labels through an Expectation-Maximization loop. Originally demonstrated for text classification by Nigam et al. (2000), the approach can substantially improve accuracy when labeled examples are scarce but unlabeled data are plentiful.	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.