只有一小撮貼了標籤，剩下一大票都是文盲。
這是機器學習裡最省錢、最會「以少帶多」的一派。
前面聊過：監督式學習要人工把每筆資料標好答案，貴又累；非監督式完全不用標，但常常學得心虛。半監督式學習說：小孩子才做選擇，我兩個好處都要一點。
它的設定超貼近現實——你手上有一小撮標好的資料（貴，所以少），外加一大坨沒標的資料（便宜，所以海量）。它的絕活就是：用那一小撮當種子，想辦法把知識「傳染」給那一大坨文盲，讓整體表現逼近「全部都標」的效果，但省下九成標註成本。
能這樣搞，靠的是兩個很樸素的假設：長得像的資料八成是同一類（平滑假設）、同一群人會自動聚成一團（聚類假設）。下面這五招，全都圍著這個中心思想打轉。
同一個目標——讓沒標籤的資料也能出力——五個門派，五種「傳染」哲學。
最直覺的一招。先用那一小撮標好的資料訓練一個模型，再讓它去猜那些沒標的。挑出最有信心的猜測，直接當成「真答案」加回訓練集，重新訓練，如此反覆滾雪球。
好處是任何模型都能套、簡單好用。風險也很誠實：一開始猜錯又自信滿滿，錯誤會越滾越大（確認偏誤），像一個學渣自學還越背越歪。所以「信心門檻」要設得夠嚴。
自訓練的近親、深度學習圈的當紅炸子雞。模型對未標資料給出預測，把高信心的那些直接當成「偽標籤」，和真標籤混在一起訓練。差別在於它常常邊訓練邊生成偽標籤，和神經網路無縫接軌。
它是現代很多半監督演算法的基本零件。一樣要小心：偽標籤品質決定生死，通常會搭配信心門檻、或只在訓練後期才啟用。
如果資料能從兩種獨立視角來看（例如一個網頁，可以看「內文」也可以看「連結」），就訓練兩個模型各看一個視角。然後——A 最有把握的猜測拿去教 B，B 最有把握的拿去教 A，兩人互相補課、共同進步。
妙處在於：一個模型的盲點，剛好是另一個模型的強項，錯誤比較不會兩邊一起放大。前提是那兩個視角要夠獨立才靈。
這招走圖論路線。它把每筆資料當成一個節點，長得越像就連得越緊，織成一張大網。然後讓那一小撮已知標籤，順著網路的邊「擴散」出去——你的鄰居是貓，你八成也是貓，一傳十、十傳百。
它一次性看清資料的整體結構，特別擅長找出「同一團但沒標到」的資料。缺點是資料一大，那張圖就吃記憶體、也怕雜訊把錯誤標籤一路傳歪。
現代半監督（FixMatch、MixMatch 那一票）的靈魂招式。核心信念超簡單：一筆資料就算被輕微擾動（旋轉、加噪、遮一塊），它本質還是同一個東西，模型的預測就該保持一致。
於是就算沒有標籤，也能拿「同一輸入的不同版本，輸出要一樣」當作訓練訊號，逼模型學到穩健、抓本質的特徵。這正是近年半監督效果突飛猛進的關鍵引擎。
半監督最怕的是「自我感覺良好」——用一堆偽標籤練得很開心，結果全是幻覺。這裡有幾個檢查點。
比比看：只用那一小撮標籤 vs 加了未標資料。有變好才算真的有用，否則是白忙。
若手上有驗證集，抽查生成的偽標籤對不對。偽標籤爛，整個模型跟著爛。
「相似即同類、同類會聚團」若不成立（類別嚴重重疊），半監督反而可能幫倒忙。
最終還是要用一批乾淨、有真標籤的測試資料驗收，確認它不是在自我催眠。