L'apprentissage auto-supervisé (Self-Supervised Learning) est une méthode d'apprentissage où les modèles sont entraînés à partir de données non étiquetées en résolvant des tâches générées automatiquement.
Des parties des données sont utilisées comme entrée, tandis que d'autres parties servent de cible, par exemple la prédiction de zones d'image manquantes ou la complétion de textes.
Cette approche permet d'apprendre des représentations sans avoir besoin d'étiquettes manuelles.
L'apprentissage auto-supervisé sert souvent de pré-entraînement pour initialiser les modèles avec des connaissances générales en vue de tâches spécifiques ultérieures.
Il est utilisé dans des domaines tels que la vision par ordinateur, le traitement du langage et la robotique pour améliorer l'efficacité des données et obtenir une meilleure généralisation.