เปรียบเทียบวิธี

	การจำแนกประเภทแบบเพื่อนบ้านใกล้เคียง K แบบกึ่งมีผู้สอน	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2002 (semi-supervised extension); 1967 (KNN base)	1970s–2006 (formalized)
ผู้ริเริ่ม	Zhu, X. & Ghahramani, Z. (label propagation); Cover, T. & Hart, P. (KNN base)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Semi-supervised classifier / label propagation	Learning paradigm
แหล่งต้นตำรับ	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	SS-KNN, semi-supervised KNN, KNN label propagation, graph-based semi-supervised KNN	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	4	5
สรุป	Semi-supervised KNN extends the classic K-nearest neighbors algorithm to exploit large pools of unlabeled data alongside a small labeled set. By building a KNN graph over all observations and propagating known labels through the graph's edges, the method infers labels for unlabeled points without requiring expensive manual annotation of every sample.	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.