Popisky jsou drahé. Nezpracovaná data jsou levná. Polo-supervizované učení kombinuje malou označenou množinu s velkou neoznačenou množinou a využívá strukturu neoznačených dat ke zlepšení zobecnění nad rámec toho, čeho by samotné popisky mohly dosáhnout.

Přístupy se liší. Samotrénování označuje neoznačené příklady modelem a poté se provádí retrénování na kombinované sadě. Regularizace konzistence nutí model produkovat podobné výstupy pro perturbované verze stejného vstupu. Metody založené na grafech šíří označení prostřednictvím sítí podobnosti.

Běžné techniky s polosupervizí

• Samotrénování a pseudo-nálepkování
• Regularizace konzistence
• Minimalizace entropie
• Šíření štítků na základě grafů
• Kontrastivní předtrénink následovaný jemným doladěním

Výsledky silně závisí na datech. Pokud neoznačené příklady pocházejí z jiné distribuce než označené, může se výkon snížit. Pečlivá validace a porovnávání domén jsou stejně důležité jako algoritmus.