Semisupervisada

Semisupervisada, ou aprendizado semisupervisionado, é um paradigma de aprendizado de máquina que utiliza um conjunto pequeno de dados rotulados associado a um grande conjunto de dados não rotulados para treinar modelos. O objetivo é melhorar o desempenho quando a rotulagem é cara, demorada ou difícil, permitindo que o modelo capture estruturas subjacentes dos dados disponíveis não rotulados.

As abordagens semisupervisionadas costumam basear-se em suposições sobre a estrutura dos dados, como a suposição de agrupamento (dados semelhantes tendem a compartilhar a mesma etiqueta), a suposição da superfície de decisão com baixa densidade entre classes e a continuidade da generação dos dados ao longo de uma geometria de baixo dimensional. Essas suposições orientam técnicas que propagam rótulos entre dados similares, ou que aprendem representações que preservam estruturas lineares ou não lineares no espaço de características.

Métodos clássicos incluem o self-training, que utiliza rótulos previstos com confiança para treinamentos subsequentes; o co-training, que emprega múltiplas vistas dos dados; e métodos baseados em grafos, como propagação de rótulos e espalhamento, que difundem informações entre nós de um grafo construído a partir da similaridade entre amostras. Também existem abordagens como S3VM (transductive SVM) e modelos gerativos que exploram a distribuição dos dados não rotulados.

No campo contemporâneo, muitas técnicas se apoiam em redes neurais profundas. Estratégias de regularização de consistência, rótulos pseudo e métodos como FixMatch, UDA e VAT têm mostrado avanços significativos em visão computacional e processamento de linguagem natural. Desafios incluem seleção de suposições apropriadas, desequilíbrios de classe, ruído de rótulos e transferência entre domínios diferentes.