Aprendizaje Semi-Supervisado

El aprendizaje semi-supervisado entrena un modelo combinando una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar. Se sitúa entre el aprendizaje supervisado, que necesita todo etiquetado, y el no supervisado, que no usa etiquetas; su objetivo es aprovechar la estructura de los datos sin etiqueta para mejorar el clasificador que se obtendría usando solo las pocas etiquetas disponibles.

Cuándo funciona

No es magia: solo ayuda si se cumple algún supuesto que ligue la distribución de los datos con las etiquetas. Los principales son la suavidad (dos puntos cercanos en una región densa tienden a compartir etiqueta), el agrupamiento (los puntos de un mismo grupo suelen ser de la misma clase, de modo que la frontera de decisión pasa por zonas de baja densidad) y la variedad (los datos se concentran en estructuras de menor dimensión). Si esos supuestos no se cumplen, el semi-supervisado puede no mejorar —o incluso empeorar— frente al supervisado.

Métodos

Hay tres familias. El pseudoetiquetado o auto-entrenamiento usa las predicciones más confiadas del propio modelo como si fueran etiquetas verdaderas (Lee, 2013). La regularización por consistencia exige que la predicción no cambie ante pequeñas perturbaciones del mismo dato; ejemplos son Mean Teacher (2017) y FixMatch (2020), que combina consistencia y pseudoetiquetado con un umbral de confianza. Y los métodos basados en grafos propagan las etiquetas por un grafo de similitud entre ejemplos.

No confundir con el autosupervisado, y sus riesgos

Conviene distinguirlo del aprendizaje autosupervisado, con el que a veces se confunde: este no usa etiquetas humanas en absoluto, sino que inventa su propia supervisión a partir de los datos crudos, y es el que sustenta el preentrenamiento de los modelos fundacionales. El semi-supervisado, en cambio, sí necesita un núcleo de etiquetas reales. Su principal riesgo es el sesgo de confirmación: si el pseudoetiquetado incorpora sus propios errores como si fueran verdad, tiende a amplificarlos. Por eso su ventaja debe demostrarse empíricamente, no darse por supuesta.