เปรียบเทียบวิธี

	การเรียนรู้แบบกึ่งมีผู้สอนและกล้าหาญ	การแพร่กระจายป้ายกำกับ	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning	Machine learning
ปีกำเนิด	2002	2002	1970s–2006 (formalized)
ผู้ริเริ่ม	Muslea, I., Minton, S., & Knoblock, C. A.	Zhu, X. & Ghahramani, Z.	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Hybrid learning framework	Graph-based semi-supervised classification	Learning paradigm
แหล่งต้นตำรับ	Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool.	Zhu, X., & Ghahramani, Z. (2002). Learning from labeled and unlabeled data with label propagation. Technical Report CMU-CALD-02-107, Carnegie Mellon University.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	SSAL, active semi-supervised learning, query-based semi-supervised learning, semi-supervised learning with active queries	LP, label spreading, graph-based semi-supervised learning, harmonic label propagation	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	3	3	5
สรุป	Semi-supervised Active Learning (SSAL) is a hybrid learning paradigm that combines active learning's selective query strategy with semi-supervised learning's ability to exploit unlabeled data. The model iteratively selects the most informative unlabeled instances for expert annotation while simultaneously leveraging the large pool of unannotated samples to improve its own representations, dramatically reducing labeling costs while maintaining strong predictive accuracy.	Label Propagation is a graph-based semi-supervised learning algorithm introduced by Zhu and Ghahramani in 2002 that spreads class labels from a small set of labeled nodes to a large set of unlabeled nodes by iteratively diffusing label information along the edges of a similarity graph, exploiting the manifold structure of the data.	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.