Label scarcity regimes and algorithmic failure modes in semi-supervised Ebola mortality prediction

Abstract

La prédiction précoce de la mortalité lors d’épidémies est limitée par la rareté des données biomédicales étiquetées. Si l'apprentissage
semi-supervisé (SSL) est souvent proposé comme solution, sa robustesse selon la quantité de données disponibles reste mal comprise
en contexte clinique. Cette étude analyse l'impact de différentes proportions de données étiquetées (25 %, 50 % et 75 %) sur trois paradigmes SSL : Label Spreading (graphes), S3VM (marge) et Self-Training (auto-étiquetage). À partir de données cliniques sur Ebola,
nous identifions des régimes d’étiquetage associés à des changements de performance systématiques. Nos résultats révèlent que le Self-Training est robuste à tous les niveaux. À l'inverse, le S3VM subit un effondrement du rappel de la classe minoritaire, tandis que le
Label Spreading se dégrade paradoxalement lorsque l'étiquetage augmente, à cause d'une amplification des erreurs de propagation. Ces travaux exposent des mécanismes de défaillance liés à l'étiquetage, offrant des perspectives cruciales pour déployer le SSL dans des contextes à faibles ressources, tels que le traitement du sepsis ou des maladies infectieuses émergentes.

Early mortality prediction during epidemics is critically constrained by limited and costly labeled biomedical data. While semisupervised
learning (SSL) is widely promoted as a solution, its robustness across different labeling regimes remains poorly understood
in high-risk clinical settings. In this study, we investigate how varying proportions of labeled data (25%, 50%, and 75%) fundamentally
alter the behavior of three representative SSL paradigms: graph-based (Label Spreading), margin-based (S3VM), and iterative selflabeling (Self-Training). Using real-world Ebola Virus Disease clinical trial data, we identify distinct labeling regimes associated with
systematic performance shifts and failure modes. Our results reveal that iterative self-labeling (Self-Training) exhibits consistent
robustness across all labeling levels, whereas margin-based (S3VM) suffers from structural collapse in minority-class recall, independent of label availability. Graph-based (Label Spreading) demonstrates conditional effectiveness but degrades as labeling
increases, highlighting error amplification in similarity-based propagation. These findings go beyond algorithmic comparison by exposing labeling-dependent failure mechanisms in SSL models for epidemic mortality prediction. The proposed regime-based interpretation provides transferable insights for deploying SSL in low-resource biomedical contexts beyond Ebola, including sepsis and
emerging infectious diseases