เปรียบเทียบวิธี

	การเรียนรู้ออนไลน์แบบกึ่งมีผู้สอน	การเรียนรู้แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s–2010s	1970s–2006 (formalized)
ผู้ริเริ่ม	Goldberg, A.; Li, M.; Zhu, X. (among key contributors)	Vapnik, V. N. and others (community of researchers, 1970s–2000s)
ประเภท	Hybrid learning paradigm (online + semi-supervised)	Learning paradigm
แหล่งต้นตำรับ	Goldberg, A., Li, M., & Zhu, X. (2008). Online manifold regularization: A new learning setting and empirical study. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2008), Lecture Notes in Computer Science, 5211, 393–407. Springer.	Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
ชื่อเรียกอื่น	SSOL, online semi-supervised learning, semi-supervised incremental learning, streaming semi-supervised learning	SSL, semi-supervised machine learning, transductive learning, label-efficient learning
ที่เกี่ยวข้อง	4	5
สรุป	Semi-supervised Online Learning combines the incremental update style of online learning with the ability to exploit unlabeled examples, enabling models to improve continuously from a data stream in which only a small fraction of arriving instances carry ground-truth labels. It is especially valuable when labeling is expensive or delayed but data arrives in real time.	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.