เปรียบเทียบวิธี

	หม้อแปลงวิทัศน์แบบกึ่งมีผู้สอน	โครงข่ายประสาทเทียมแบบสังวัตนาการแบบกึ่งมีผู้สอน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2021–2022	2013–2017
ผู้ริเริ่ม	Dosovitskiy et al. (ViT); semi-supervised extensions by multiple groups (2021–2023)	Lee, D.-H.; Tarvainen, A. & Valpola, H. (among others)
ประเภท	Semi-supervised deep learning for image understanding	Semi-supervised deep learning
แหล่งต้นตำรับ	Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations (ICLR 2021).	Lee, D.-H. (2013). Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. ICML Workshop on Challenges in Representation Learning.
ชื่อเรียกอื่น	Semi-supervised ViT, SSL-ViT, Semi-supervised Patch-based Transformer, Semi-supervised Self-Attention Image Model	SSL-CNN, semi-supervised CNN, self-training CNN, pseudo-label CNN
ที่เกี่ยวข้อง	6	5
สรุป	Semi-supervised Vision Transformer applies the patch-based self-attention architecture of ViT to settings where only a fraction of images are labeled, exploiting large unlabeled corpora through pseudo-labeling, consistency regularization, or self-supervised pretext tasks before fine-tuning on the small labeled set. This approach achieves near-supervised accuracy even when labeled images are scarce.	A Semi-supervised CNN trains a convolutional network on a small labeled image set and a larger pool of unlabeled images simultaneously, using techniques such as pseudo-labeling and consistency regularization to extract supervisory signal from unlabeled data. This strategy closes much of the performance gap caused by scarce annotations without requiring additional human labeling effort.