เปรียบเทียบวิธี

	Naive Bayes แบบเรียนรู้ตนเอง	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000	1970s–2006 (formalized)
ผู้ริเริ่ม	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Self-supervised generative classifier	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.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	Self-training Naive Bayes, EM Naive Bayes, Expectation-Maximization Naive Bayes, Pseudo-label Naive Bayes	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	5	5
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.	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.