El aprendizaje auto-supervisado con inteligencia de enjambre combina principios del aprendizaje auto-supervisado con técnicas inspiradas en patrones de comportamiento colectivo en enjambres.
En tales sistemas, varios agentes o modelos trabajan de forma descentralizada para reconocer estructuras latentes en los datos mediante el intercambio mutuo de información y la coordinación.
Los agentes generan de forma autónoma pseudoétiquetas o tareas que utilizan entre sí para mejorar sus representaciones.
Los mecanismos típicos son la comunicación, la búsqueda de consenso y los procesos de toma de decisiones colectivos, que crean un entorno de aprendizaje robusto y adaptativo.
Estos enfoques son especialmente útiles cuando los datos están distribuidos o son heterogéneos y faltan etiquetas centrales.