در یادگیری نیمه‌نظارتی، تعداد محدودی داده برچسب‌دار با تعداد زیادی داده بدون برچسب ترکیب می‌شوند. این روش زمانی مفید است که جمع‌آوری داده آسان‌تر از برچسب‌گذاری تخصصی آن باشد، مانند تصاویر پزشکی.
این رویکرد به شباهت توزیع داده‌های برچسب‌دار و بدون برچسب وابسته است. داده نامرتبط می‌تواند به‌جای بهبود، عملکرد مدل را کاهش دهد.
نکته‌ای که در پروژه‌ها اهمیت دارد
اگر فقط بخشی از هزاران تصویر پزشکی برچسب دارند، روش نیمه‌نظارتی می‌تواند از ساختار تصاویر بدون برچسب نیز کمک بگیرد. نتیجه به سازگاری داده‌ها وابسته است.