A címkék drágák. A nyers adatok olcsók. A félig felügyelt tanulás egy kis címkézett halmazt egy nagy címkézetlen halmazzal kombinál, a címkézetlen adatok szerkezetét felhasználva az általánosítás javítására, amely túlmutat azon, amit a címkék önmagukban el tudnának érni.

A megközelítések változatosak. Az önképzés során a címkézetlen példákat egy modellel címkézik fel, majd a kombinált halmazon újratanítják. A konzisztencia-regularizáció arra kényszeríti a modellt, hogy hasonló kimeneteket állítson elő ugyanazon bemenet perturbált verziói esetén. A gráfalapú módszerek hasonlósági hálózatokon keresztül terjesztik a címkéket.

Gyakori félig felügyelt technikák

• Önképzés és álcímkézés
• Konzisztencia-szabályozás
• Entropia minimalizálása
• Gráf alapú címketerjesztés
• Kontrasztív előképzés, majd finomhangolás

Az eredmények nagymértékben függenek az adatoktól. Ha a címkézetlen példák más eloszlásból származnak, mint a címkézett példák, a teljesítmény romolhat. A gondos validálás és a domain-illesztés ugyanolyan fontos, mint maga az algoritmus.