เปรียบเทียบวิธี

	การเรียนรู้แบบสหพันธ์กึ่งกำกับดูแล	การเรียนรู้แบบถ่ายโอน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020	2010 (formalized); 1990s (early roots)
ผู้ริเริ่ม	Jeong, W. et al. / multiple independent groups	Pan, S. J. & Yang, Q. (survey); Bengio, Y. (deep learning framing)
ประเภท	Distributed semi-supervised learning framework	Learning paradigm
แหล่งต้นตำรับ	Jeong, W., Yoon, J., Yang, E., & Hwang, S. J. (2020). Federated Semi-Supervised Learning with Inter-Client Consistency. International Conference on Learning Representations (ICLR 2021).	Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359.
ชื่อเรียกอื่น	SSL-FL, federated semi-supervised learning, FSSL, semi-supervised distributed learning	TL, domain adaptation, fine-tuning, pre-trained model adaptation
ที่เกี่ยวข้อง	6	3
สรุป	Semi-supervised federated learning (SSFL) trains a shared model across many decentralized clients — each holding private data — when only a subset of clients or a subset of local samples carry labels. It combines the privacy-preserving coordination of federated learning with the label-efficiency of semi-supervised techniques such as pseudo-labeling and consistency regularization, enabling strong model quality without centralizing sensitive data.	Transfer learning is a machine learning paradigm in which knowledge gained from training a model on a source task or domain is reused to improve learning on a different but related target task or domain. It is especially powerful when labeled data for the target task is scarce, and it underlies most modern deep learning applications in computer vision, natural language processing, and beyond.