Self-supervised learning – model sam generuje etykiety z danych wejściowych.

Jest to technika uczenia maszynowego, w której system samodzielnie generuje etykiety na podstawie dostępnych danych wejściowych, bez konieczności ręcznego oznaczania przykładów przez człowieka. Wykorzystuje do tego zadania wewnętrzne struktury i zależności zawarte w danych, co pozwala na tworzenie reprezentacji i modeli uczących się w sposób częściowo zautomatyzowany. Dzięki temu redukuje potrzebę posiadania dużych zestawów danych oznaczonych przez ekspertów, co jest często czasochłonne i kosztowne.

Metoda ta jest wykorzystywana szczególnie w sytuacjach, gdzie dostęp do danych jest obfity, ale dane oznaczone są ograniczone lub ich uzyskanie jest trudne. Polega na definiowaniu zadań pomocniczych, których celem jest przewidywanie niewidocznych fragmentów danych, maskowanie części informacji lub odtwarzanie oryginalnej struktury danych spośród zmodyfikowanych wersji. W ten sposób model uczy się reprezentacji, która może być następnie wykorzystana w zadaniach nadzorowanych lub innych problemach związanych z analizą danych.