सेमी-सुपरवाइज्ड लर्निंग पर एक सर्वेक्षण

सारांश सेमी-सुपरवाइज्ड लर्निंग मशीन लर्निंग की वह शाखा है जो लेबल्ड और अनलेबल्ड दोनों प्रकार के डेटा का उपयोग कर कुछ सीखने के कार्यों को पूरा करने से संबंधित है। यह अवधारणात्मक रूप से सुपरवाइज्ड और अनसुपरवाइज्ड लर्निंग के बीच स्थित है, जो कई उपयोग मामलों में उपलब्ध बड़े पैमाने पर अनलेबल्ड डेटा को आमतौर पर छोटे लेबल्ड डेटा सेट के साथ संयोजित करके उपयोग करने की अनुमति देता है। हाल के वर्षों में, इस क्षेत्र में अनुसंधान ने मशीन लर्निंग में देखे गए सामान्य रुझानों का पालन किया है, जिसमें न्यूरल नेटवर्क आधारित मॉडल और जनरेटिव लर्निंग पर काफी ध्यान केंद्रित किया गया है। इस विषय पर साहित्य की मात्रा और दायरा भी बढ़ा है, जो अब सिद्धांत, एल्गोरिदम और अनुप्रयोगों के एक व्यापक स्पेक्ट्रम को शामिल करता है। हालांकि, इस ज्ञान को इकट्ठा और व्यवस्थित करने के लिए कोई हालिया सर्वेक्षण उपलब्ध नहीं हैं, जिससे शोधकर्ताओं और इंजीनियरों दोनों के लिए इसका उपयोग करना कठिन हो गया है। इस रिक्तता को भरने के लिए, हम सेमी-सुपरवाइज्ड लर्निंग विधियों का एक नवीनतम अवलोकन प्रस्तुत करते हैं, जिसमें पहले के कार्य और हाल के प्रगति शामिल हैं। हम मुख्य रूप से सेमी-सुपरवाइज्ड वर्गीकरण पर ध्यान केंद्रित करते हैं, जहां सेमी-सुपरवाइज्ड लर्निंग अनुसंधान का अधिकांश हिस्सा होता है। हमारा सर्वेक्षण क्षेत्र में नए शोधकर्ताओं और व्यावसायिकों के साथ-साथ अधिक उन्नत पाठकों को पिछले दो दशकों में विकसित प्रमुख दृष्टिकोणों और एल्गोरिदम की ठोस समझ प्रदान करना चाहता है, विशेष रूप से सबसे प्रमुख और वर्तमान में प्रासंगिक कार्यों पर जोर देते हुए। इसके अलावा, हम सेमी-सुपरवाइज्ड वर्गीकरण एल्गोरिदम की एक नई वर्गीकरण प्रणाली प्रस्तावित करते हैं, जो प्रशिक्षण प्रक्रिया में अनलेबल्ड डेटा शामिल करने के विभिन्न अवधारणात्मक और विधिक दृष्टिकोणों को उजागर करती है। अंत में, हम दिखाते हैं कि अधिकांश सेमी-सुपरवाइज्ड लर्निंग एल्गोरिदम के मूलभूत अनुमानों के बीच कैसे निकट संबंध हैं, और वे प्रसिद्ध सेमी-सुपरवाइज्ड क्लस्टरिंग अनुमान से कैसे जुड़े हुए हैं।