Οι ετικέτες είναι ακριβές. Τα ακατέργαστα δεδομένα είναι φθηνά. Η ημι-εποπτευόμενη μάθηση συνδυάζει ένα μικρό σύνολο με ετικέτες με ένα μεγάλο σύνολο χωρίς ετικέτες, χρησιμοποιώντας τη δομή των δεδομένων χωρίς ετικέτες για να βελτιώσει τη γενίκευση πέρα ​​από αυτό που θα μπορούσαν να επιτύχουν μόνο οι ετικέτες.

Οι προσεγγίσεις ποικίλλουν. Η αυτοεκπαίδευση επισημαίνει παραδείγματα χωρίς επισήμανση με ένα μοντέλο και στη συνέχεια επανεκπαιδεύει στο συνδυασμένο σύνολο. Η κανονικοποίηση συνέπειας αναγκάζει το μοντέλο να παράγει παρόμοια αποτελέσματα για διαταραγμένες εκδόσεις της ίδιας εισόδου. Οι μέθοδοι που βασίζονται σε γράφημα διαδίδουν ετικέτες μέσω δικτύων ομοιότητας.

Κοινές ημι-επιβλεπόμενες τεχνικές

• Αυτοεκπαίδευση και ψευδο-ετικέτα
• Κανονικοποίηση συνέπειας
• Ελαχιστοποίηση εντροπίας
• Διάδοση ετικετών βάσει γραφήματος
• Συγκριτική προεκπαίδευση ακολουθούμενη από βελτιστοποίηση

Τα αποτελέσματα εξαρτώνται σε μεγάλο βαθμό από τα δεδομένα. Εάν τα παραδείγματα χωρίς ετικέτα προέρχονται από διαφορετική κατανομή από αυτά με ετικέτα, η απόδοση μπορεί να υποβαθμιστεί. Η προσεκτική επικύρωση και η αντιστοίχιση τομέων έχουν σημασία όσο και ο αλγόριθμος.