把資料連成一張相似度網路，少數種子的標籤像墨水一樣沿著邊擴散，直到染滿全圖。
半監督式學習介於兩者之間：只有少量資料有標籤，但有大量沒標籤的資料。它想辦法讓沒標籤的資料也派上用場，省下昂貴的人工標註。
標籤傳播把資料看成一張圖（網路）：相似的資料用邊連起來。少數有標籤的點是「種子」，標籤會像墨水在紙上暈開一樣，沿著邊傳給鄰居，鄰居再傳給鄰居，直到整張圖都被染色。
相連（相似）的點，標籤應該一樣。傳播就是讓每個點的標籤趨近於它鄰居的多數。
下面是一張相似度圖，只有兩個種子節點有顏色。按「傳播一步」：每個未染色節點會被鄰居的多數顏色感染，一步步擴散到全圖。
墨水從兩顆種子沿著邊擴散。注意：若兩群之間有「橋」連著，顏色可能會滲過去染錯——這是標籤傳播的脆弱點。
標籤傳播是半監督學習法,iPAS 半監督考點(中級科目三)。重點:先建資料點的相似度圖,把少量已標註的標籤沿圖傳播給鄰近未標註點(平滑性假設:相連相似的點傾向同標籤)。易混點:仰賴圖建得好、相似度量準,假設不成立或圖含雜訊時錯誤標籤也會擴散;與自訓練、協同訓練同屬半監督但機制不同。情境:標註少、資料有清楚鄰近結構。
想練情境題與詳解 → AI 學習與考證地圖
一種半監督學習法；把少量已標註樣本的標籤，沿著資料點構成的相似度圖，傳播給鄰近的未標註樣本。
平滑性假設——在圖上相連、相似的點傾向有相同標籤；標籤會從已知點擴散到相近的未知點。
標註成本高、未標註資料便宜又多；善用大量未標註資料能在少量標註下提升表現，如醫療影像標註稀少時。
先建相似度圖(如 KNN 或核函數權重)，反覆讓每點吸收鄰居的標籤分布，直到收斂，再給未標點指派最可能的標籤。
仰賴相似度圖建得好、距離量得準；若平滑性假設不成立或圖含雜訊，錯誤標籤會沿圖一路擴散、越錯越多。