เปรียบเทียบวิธี

	การเรียนรู้แบบถ่ายโอนด้วยตนเอง (Self-supervised Transfer Learning)	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2020 (modern consolidation)	1970s–2006 (formalized)
ผู้ริเริ่ม	LeCun, Y. (concept); Devlin et al. (BERT, NLP); Chen et al. (SimCLR, vision)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Learning paradigm (self-supervised pre-training + fine-tuning)	Learning paradigm
แหล่งต้นตำรับ	Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	self-supervised pre-training, SSL-based transfer learning, representation transfer from self-supervised models, contrastive pre-training with transfer	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	6	5
สรุป	Self-supervised transfer learning combines two powerful paradigms: a model first learns rich representations from unlabeled data using self-supervised pretext tasks, then those learned representations are transferred and fine-tuned on a downstream task with limited labeled data. This approach underlies landmark systems such as BERT in NLP and SimCLR and DINO in computer vision, dramatically reducing labeled-data requirements across many domains.	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.