Os rótulos são caros. Os dados brutos são baratos. A aprendizagem semissupervisionada combina um pequeno conjunto rotulado com um grande conjunto não rotulado, utilizando a estrutura dos dados não rotulados para melhorar a generalização para além do que os rótulos por si só poderiam alcançar.

As abordagens variam. O autotreino rotula os exemplos não rotulados com um modelo e depois retreina-o no conjunto combinado. A regularização de consistência obriga o modelo a produzir saídas semelhantes para versões perturbadas da mesma entrada. Os métodos baseados em grafos propagam rótulos através de redes de similaridade.

Técnicas semi-supervisionadas comuns

• Autoaprendizagem e pseudo-rotulagem
• Regularização de consistência
• Minimização da entropia
• Propagação de rótulos baseada em grafos
• Pré-treino contrastivo seguido de ajuste fino

Os resultados dependem muito dos dados. Se os exemplos não rotulados provierem de uma distribuição diferente da dos exemplos rotulados, o desempenho poderá ser prejudicado. A validação cuidadosa e a correspondência de domínios são tão importantes como o algoritmo.