Mannigfaltigkeitsannahmeist eine allgemeine Annahme beim halbüberwachten Lernen, und die andere ist die Clusterannahme.

Die Mannigfaltigkeitsannahme besagt, dass Beispiele mit ähnlichen Eigenschaften normalerweise in kleinen lokalen Nachbarschaften liegen und daher ähnliche Bezeichnungen haben, was die lokale Glätte der Entscheidungsfunktion widerspiegelt.

Im Gegensatz zur Clusterhypothese, die sich auf die Gesamtmerkmale konzentriert, konzentriert sich die Mannigfaltigkeitshypothese eher auf die lokalen Merkmale des Modells.

Unter dieser Annahme besteht der Zweck einer großen Anzahl unbeschrifteter Beispiele darin, den Datenraum kompakter zu gestalten, was dazu beiträgt, die Merkmale lokaler Bereiche genauer zu charakterisieren und eine bessere Anpassung der Entscheidungsfunktion an die Daten zu ermöglichen.