第13章 半监督学习
覆盖未标记样本、生成式方法、半监督SVM、图方法、分歧方法与半监督聚类；用数据协议、单故障轨迹和模型验收门完成独立复核。
学习目标
- 能说明“第13章 半监督学习”如何覆盖未标记样本、生成式方法、半监督SVM、图方法、分歧方法与半监督聚类，并把原版范围、技术核验和现代扩展分层
- 能先预测“怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？”的数据与模型路径，再用切分、状态、轨迹和独立评估复核
- 能注入“未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制”，用“标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定”决定接受、降级或拒绝实验结论
为什么从这个学习实验开始
半监督页把每个未标记样本如何改变决策边界记录下来，也保留负迁移证据。 “第13章 半监督学习”的贯穿任务是：用少量标记西瓜与大量未标记样本比较生成式、图传播和协同训练。 操作前先写下哪个数据角色、模型状态或评估结论会变化；运行后补理由不算预测。
本页围绕“怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？”建立基线、故障与恢复路径。只有“第13章 半监督学习”守住“标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定”并交付标记/未标记ID、来源比较、类先验、图或视图、伪标记置信与迭代、拒绝样本、基线和测试差异。，分数或图形才构成机器学习证据。
书目、128个原版层级与版本边界
“第13章 半监督学习”以清华大学出版社官方书页核对周志华著《机器学习》于2016年出版、425页、ISBN 9787302423287和全书16章的三部分结构，同时以作者官方书页确认这是一部16章、每章6至7节且持续公开勘误的入门教科书，再以作者官方目录PDF逐项核对16章、108个编号小节和附录A/B/C，因此本站覆盖分母计入16个章标题、108个编号小节、附录标题及A/B/C，共128个正式目录层级。
“第13章 半监督学习”未取得原书完整正文，只以作者与出版社目录限定范围；中文解释、交互、实验、练习与答案均为独立教学重写。未标记样本不是免费标签；收益依赖结构假设与来源一致性。
本页另以技术核对 1、技术核对 2、技术核对 3核对算法机制、评估协议或数学工具。外部资料能验证技术事实，不能反向证明原书正文采用了本站表述。
原版目录层级与学习机制
第13章 半监督学习
↡半监督学习对应原版目录坐标“第13章 半监督学习”，在“第13章 半监督学习”中用于把原版目录项转成有输入、状态变化和验收条件的学习合同，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 1/8。 在“第13章 半监督学习”的坐标1中，目录项「第13章 半监督学习」用于把原版目录项转成有输入、状态变化和验收条件的学习合同；先冻结数据角色，再以数据角色、模型状态、运行轨迹、指标与边界反例复核，出现只复述标题而没有实验或拒绝条件时撤回结论。
13.1 未标记样本
↡未标记样本对应原版目录坐标“13·1 未标记样本”，在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 2/8。 目录项「13·1 未标记样本」进入“第13章 半监督学习”后要回答第2个学习问题：它怎样借助分布、流形或多视图假设利用未标记样本、改变什么模型状态、由哪些来源、图/视图、伪标记轨迹、拒绝样本与负迁移证明，并如何排除分布外未标记数据自我强化错误。
13.2 生成式方法
↡生成式方法对应原版目录坐标“13·2 生成式方法”，在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 3/8。 围绕“怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？”，在“第13章 半监督学习”的原版层级3把「13·2 生成式方法」落实为借助分布、流形或多视图假设利用未标记样本；复核者先读取来源、图/视图、伪标记轨迹、拒绝样本与负迁移，不能接受分布外未标记数据自我强化错误。
13.3 半监督SVM
↡半监督SVM对应原版目录坐标“13·3 半监督SVM”，在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 4/8。 对“第13章 半监督学习”而言，目录项「13·3 半监督SVM」的最小实验合同是借助分布、流形或多视图假设利用未标记样本，第4次检查保存来源、图/视图、伪标记轨迹、拒绝样本与负迁移；若产生分布外未标记数据自我强化错误，就返回上游。
13.4 图半监督学习
↡图半监督学习对应原版目录坐标“13·4 图半监督学习”，在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 5/8。 第5个正式坐标「13·4 图半监督学习」服务于覆盖未标记样本、生成式方法、半监督SVM、图方法、分歧方法与半监督聚类，需要以来源、图/视图、伪标记轨迹、拒绝样本与负迁移呈现借助分布、流形或多视图假设利用未标记样本；分布外未标记数据自我强化错误会破坏“标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定”。
13.5 基于分歧的方法
↡基于分歧的方法对应原版目录坐标“13·5 基于分歧的方法”，在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 6/8。 在“第13章 半监督学习”的坐标6中，目录项「13·5 基于分歧的方法」用于借助分布、流形或多视图假设利用未标记样本；先冻结数据角色，再以来源、图/视图、伪标记轨迹、拒绝样本与负迁移复核，出现分布外未标记数据自我强化错误时撤回结论。
13.6 半监督聚类
↡半监督聚类对应原版目录坐标“13·6 半监督聚类”，在“第13章 半监督学习”中用于依据声明的距离与结构假设发现样本分组，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 7/8。 目录项「13·6 半监督聚类」进入“第13章 半监督学习”后要回答第7个学习问题：它怎样依据声明的距离与结构假设发现样本分组、改变什么模型状态、由哪些尺度、距离矩阵、初始化、成员分配与稳定性证明，并如何排除偷看真实标签选择簇数或距离。
13.7 阅读材料
↡阅读材料对应原版目录坐标“13·7 阅读材料”，在“第13章 半监督学习”中用于把本章结论连接到可追溯的进阶路线与原始资料，并受数据角色、模型假设、评估时机与版本边界约束。原版坐标 8/8。 围绕“怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？”，在“第13章 半监督学习”的原版层级8把「13·7 阅读材料」落实为把本章结论连接到可追溯的进阶路线与原始资料；复核者先读取问题清单、前置假设、来源版本与可复现实验入口，不能接受只堆链接而不说明验证对象。
先预测，再操作三个章专属实验
1. 数据角色与模型协议
固定“用少量标记西瓜与大量未标记样本比较生成式、图传播和协同训练。”，在基线与反例间切换，逐阶段查看“来源与角色、结构假设、未标记利用、伪标记审计、独立测试”允许的输入、操作、输出和证据。
数据与模型协议
选择实验，再逐阶段检查信息边界
怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？
实验设置
用少量标记西瓜与大量未标记样本比较生成式、图传播和协同训练。 固定数据版本、实体切分、流水线、预算和随机种子。
预期结果
沿“来源与角色 → 结构假设 → 未标记利用 → 伪标记审计 → 独立测试”得到可重放结论。
适用边界
全过程保持“标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定”。
允许输入
第13章 半监督学习：冻结版本、实体与样本角色，不得越过样本角色
本阶段操作
只读取任务允许的信息，并持续满足“标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定”
阶段输出
来源与角色产生可追踪输入状态
复核证据
可追踪输入状态、索引和版本；出现“未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制”时拒绝推进
原版坐标：第13章 半监督学习、13.1 未标记样本、13.2 生成式方法、13.3 半监督SVM、13.4 图半监督学习、13.5 基于分歧的方法、13.6 半监督聚类、13.7 阅读材料
第13章 半监督学习的可重放研究协议
| 阶段 | 允许动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 来源与角色 | 在“第13章 半监督学习”执行来源与角色，只读取该角色允许的信息 | 任务、版本、实体与切分哈希 | 角色或来源不可追溯 |
| 结构假设 | 在“第13章 半监督学习”执行结构假设，只读取该角色允许的信息 | 表示、参数、轨迹、候选比较与选择理由 | 未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制 |
| 未标记利用 | 在“第13章 半监督学习”执行未标记利用，只读取该角色允许的信息 | 表示、参数、轨迹、候选比较与选择理由 | 未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制 |
| 伪标记审计 | 在“第13章 半监督学习”执行伪标记审计，只读取该角色允许的信息 | 表示、参数、轨迹、候选比较与选择理由 | 未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制 |
| 独立测试 | 在“第13章 半监督学习”执行独立测试，只读取该角色允许的信息 | 封存指标、错误样本、复现与边界 | 测试被复用或无法重放 |
unit: "mlw-13"
question: "怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？"
scenario: "用少量标记西瓜与大量未标记样本比较生成式、图传播和协同训练。"
stages: ["来源与角色", "结构假设", "未标记利用", "伪标记审计", "独立测试"]
invariant: "标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定"
fault: "未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制"
evidence: "标记/未标记ID、来源比较、类先验、图或视图、伪标记置信与迭代、拒绝样本、基线和测试差异。"
reset: restore_experiment_stage_trace_mode_step_gates_and_artifact该协议要求“第13章 半监督学习”在相同任务、数据版本、实体切分、流水线、预算和种子下重放。重置后若实验、阶段、轨迹模式、步骤、验收门或复核包没有回到基线，交互状态已经污染比较。
本页回顾
掌握“第13章 半监督学习”不是背诵算法名，而是能围绕“怎样证明未标记数据在任务假设成立时提供信息，并在假设破裂时不会放大错误？”重建数据与模型证据，并用“标记/未标记来源、类先验、簇或流形假设、伪标记阈值和独立测试固定”拒绝“未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制”。最终交付为标记/未标记ID、来源比较、类先验、图或视图、伪标记置信与迭代、拒绝样本、基线和测试差异。
练习与答案
练习
- 问题 1：实验合同。 “第13章 半监督学习”为什么必须先冻结任务、数据版本、实体切分、流水线、预算和种子？
- 问题 2：目录逐项覆盖。 怎样证明原版目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“未标记池来自不同分布却强制伪标记，错误不断自我强化且没有拒绝机制”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 半监督学习
检索键 ml-A 对应目录坐标「第13章 半监督学习」；在“第13章 半监督学习”中用于把原版目录项转成有输入、状态变化和验收条件的学习合同，需要连接原版范围、数据角色、模型状态与独立证据。
- 未标记样本
检索键 ml-B 对应目录坐标「13·1 未标记样本」；在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，需要连接原版范围、数据角色、模型状态与独立证据。
- 生成式方法
检索键 ml-C 对应目录坐标「13·2 生成式方法」；在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，需要连接原版范围、数据角色、模型状态与独立证据。
- 半监督SVM
检索键 ml-D 对应目录坐标「13·3 半监督SVM」；在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，需要连接原版范围、数据角色、模型状态与独立证据。
- 图半监督学习
检索键 ml-E 对应目录坐标「13·4 图半监督学习」；在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，需要连接原版范围、数据角色、模型状态与独立证据。
- 基于分歧的方法
检索键 ml-F 对应目录坐标「13·5 基于分歧的方法」；在“第13章 半监督学习”中用于借助分布、流形或多视图假设利用未标记样本，需要连接原版范围、数据角色、模型状态与独立证据。
- 半监督聚类
检索键 ml-G 对应目录坐标「13·6 半监督聚类」；在“第13章 半监督学习”中用于依据声明的距离与结构假设发现样本分组，需要连接原版范围、数据角色、模型状态与独立证据。
- 阅读材料
检索键 ml-H 对应目录坐标「13·7 阅读材料」；在“第13章 半监督学习”中用于把本章结论连接到可追溯的进阶路线与原始资料，需要连接原版范围、数据角色、模型状态与独立证据。