เปรียบเทียบวิธี

	การจำแนกประเภทข้อความแบบกึ่งมีผู้สอนโดยใช้ BERT	Transformer แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019–2020	2018–2019
ผู้ริเริ่ม	Multiple groups (Xie et al.; Chen et al.; Devlin et al. for BERT base)	Devlin, J. et al. (BERT); broader SSL-Transformer paradigm community
ประเภท	Semi-supervised fine-tuning of pre-trained transformer	Semi-supervised deep learning
แหล่งต้นตำรับ	Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems (NeurIPS), 33, 27780–27792.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186.
ชื่อเรียกอื่น	Semi-supervised BERT, BERT SSL Classification, BERT with Unlabeled Data, BERT Semi-supervised Fine-tuning	semi-supervised transformer model, SSL transformer, transformer with self-supervised pre-training, semi-supervised attention model
ที่เกี่ยวข้อง	6	5
สรุป	Semi-supervised BERT-based classification fine-tunes a pre-trained BERT encoder on a small pool of labeled text examples while simultaneously leveraging a much larger body of unlabeled text — via consistency training, pseudo-labeling, or data augmentation — to produce high-quality classifiers even when manual annotation is scarce.	Semi-supervised learning with Transformer architectures leverages large quantities of unlabeled data alongside a small labeled set to train powerful sequence models. The dominant pattern — exemplified by BERT — first pre-trains the Transformer on unlabeled data using self-supervised objectives such as masked token prediction, then fine-tunes it on the labeled task. This two-stage approach dramatically reduces the labeled data needed to achieve strong performance.