Аналіз парадигми Semi-supervised learning для класифікації мультимодальних даних

У роботі розглядаються алгоритми машинного навчання. Увага зосереджена на  напівконтрольному  навчанні, яке здається балансом між точністю навчання з учителем та витратами методів навчання без учителя. Розглядаються приклади  ретельного опрацювання мічених наборів даних, для яких навчання під наглядом може бути дуже ефективним. Порівнюються підходи  semi-supervised та supervised  та проаналізована ефективність кожного. В роботі розглядаються підходи S3VM та TSVM. Метою роботи було дослідити чи можуть напівконтрольовані підходи конкурувати з контрольованими або навіть їх перевершити. Описується застосування даних підходів до запропонованого  датасету для визначення більш точної класифікації даних, а саме на опорній межі.