เปรียบเทียบวิธี

	CatBoost แบบกึ่งมีผู้สอน	การเพิ่มประสิทธิภาพแบบกึ่งมีผู้สอนโดยใช้ Gradient Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018 (CatBoost); semi-supervised learning framework predates 2006	2006–2010s
ผู้ริเริ่ม	Prokhorenkova et al. (CatBoost); semi-supervised paradigm from Chapelle et al.	Chapelle, Scholkopf & Zien (eds.); applied to GBM variants in subsequent literature
ประเภท	Semi-supervised ensemble (gradient boosting)	Semi-supervised ensemble (self-training + gradient boosted trees)
แหล่งต้นตำรับ	Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. In Advances in Neural Information Processing Systems (NeurIPS), 31.	Yarowsky, D. (1995). Unsupervised word sense disambiguation rivaling supervised methods. Proceedings of ACL 1995, 189–196. (Foundational self-training framework underlying pseudo-label approaches.)
ชื่อเรียกอื่น	SSL CatBoost, semi-supervised gradient boosting with CatBoost, CatBoost with unlabeled data, pseudo-label CatBoost	pseudo-label gradient boosting, self-training GBM, semi-supervised GBT, label-propagation boosting
ที่เกี่ยวข้อง	5	6
สรุป	Semi-supervised CatBoost applies CatBoost's ordered gradient boosting framework to settings where only a fraction of training instances carry labels, leveraging unlabeled data through pseudo-labeling or consistency-based strategies to improve model accuracy beyond what labeled data alone would allow.	Semi-supervised gradient boosting combines gradient boosted trees with self-training or pseudo-labeling to exploit large pools of unlabeled data alongside a small labeled set. An initial GBM fit on labeled data assigns confident predictions to unlabeled examples; those pseudo-labeled points are folded back into training and the model is re-boosted, iterating until convergence. This allows practitioners to harness cheap unlabeled data when labels are scarce or expensive.