Nous étudions les propriétés de généralisation d'un algorithme d'auto-apprentissage avec des demi-plans. L'approche apprend une liste de demi-plans de manière itérative à partir des données d'apprentissage étiquetées et non étiquetées, dans laquelle chaque itération se compose de deux étapes : l'exploration et l'élagage. Dans la phase d'exploration, le demi-plan est trouvé séquentiellement en maximisant la marge non signée parmi les exemples non étiquetés, puis en attribuant des pseudo-étiquettes à ceux qui ont une distance supérieure au seuil actuel. Les exemples pseudoétiquetés sont ensuite ajoutés à l'ensemble d'apprentissage et un nouveau classifieur est appris. Ce processus est répété jusqu'à ce qu'il ne reste plus d'exemples non étiquetés pour le pseudo-étiquetage. Dans la phase d'élagage, les échantillons pseudo-étiquetés qui ont une distance au dernier demi-plan supérieure à la marge non signée associée sont ensuite rejetés. On montre que l'erreur de classification de la séquence de classificateurs résultante est bornée et que l'approche semisupervisée résultante ne dégrade pas les performances par rapport au classificateur appris en utilisant uniquement l'ensemble d'apprentissage étiqueté initial. Des expérimentations menées sur une variété de benchmarks démontrent l'efficacité de l'approche proposée par rapport aux méthodes de l'état de l'art.