Semi-supervised Learning – (Yarı Denetimli Öğrenme)

Semi-supervised Learning (Yarı Denetimli Öğrenme), az miktarda etiketlenmiş veri (labeled data) ile çok miktarda etiketlenmemiş veriyi (unlabeled data) birlikte kullanarak model eğitmeyi amaçlayan makine öğrenmesi yaklaşımıdır. Bu yöntem, denetimli öğrenme (supervised learning) ile denetimsiz öğrenme (unsupervised learning) arasında yer alır ve özellikle etiketli veri elde etmenin maliyetli, zaman alıcı veya uzmanlık gerektirdiği durumlarda önemli avantajlar sağlar. Yarı denetimli öğrenmenin temel amacı, sınırlı sayıdaki etiketli örnekten öğrenilen bilgiyi geniş etiketlenmemiş veri kümesine yayarak modelin doğruluğunu ve genelleme yeteneğini artırmaktır.

Bu yaklaşımın temel varsayımı, etiketlenmemiş verilerin de veri dağılımı hakkında önemli bilgiler içerdiğidir. Model, önce etiketli veriler üzerinde temel örüntüleri öğrenir, ardından etiketlenmemiş verileri kullanarak karar sınırlarını geliştirir ve daha sağlam temsil yapıları oluşturur. Semi-supervised Learning kapsamında Pseudo-Labeling (Sahte Etiketleme), Self-Training (Kendi Kendine Eğitim), Consistency Regularization (Tutarlılık Düzenlileştirmesi), Co-Training, Graph-Based Learning ve Label Propagation (Etiket Yayılımı) gibi çeşitli yöntemler kullanılmaktadır. Son yıllarda derin öğrenme alanında geliştirilen MixMatch, FixMatch, Mean Teacher ve Noisy Student gibi algoritmalar, yarı denetimli öğrenmenin performansını önemli ölçüde artırmıştır.

Yarı denetimli öğrenme; tıbbi görüntü analizi, doğal dil işleme, konuşma tanıma, bilgisayarlı görü, biyoinformatik ve uzaktan algılama gibi etiketli verinin sınırlı olduğu alanlarda yaygın olarak kullanılmaktadır. Örneğin binlerce tıbbi görüntünün yalnızca küçük bir kısmı uzman hekimler tarafından etiketlenmiş olabilir. Semi-supervised Learning sayesinde bu sınırlı etiketli veri, çok daha büyük etiketlenmemiş veri kümesiyle birlikte kullanılarak yüksek doğrulukta tanı modelleri geliştirilebilir. Benzer şekilde büyük dil modellerinin ince ayar (fine-tuning) süreçlerinde de sınırlı insan etiketli veri ile geniş ölçekli etiketsiz metinlerden yararlanılmaktadır. Bununla birlikte etiketli verinin hatalı olması veya etiketlenmemiş verinin eğitim verisinden farklı dağılıma sahip bulunması model performansını olumsuz etkileyebilir. Buna rağmen Semi-supervised Learning, etiketleme maliyetlerini azaltması, veri kullanımını daha verimli hâle getirmesi ve birçok uygulamada denetimli öğrenmeye yakın performans sunabilmesi nedeniyle günümüz yapay zekâ araştırmalarında stratejik öneme sahip öğrenme yaklaşımlarından biri olarak kabul edilmektedir.