自监督学习、半监督学习、弱监督学习

一、自监督学习

总结来说：就算利用没有标签的数据，训练模型的提取特征的能力，相当于对模型进行预训练，详细解释可以参考文章：自监督学习

二、弱监督学习

1、三种类别：不完全监督（Incomplete supervision），不确切监督（Inexact supervision），不精确监督（Inaccurate supervision）

不完全监督是指，训练数据中只有一部分数据被给了标签，有一些数据是没有标签的。

不确切监督是指，训练数据只给出了粗粒度标签。我们可以把输入想象成一个包，这个包里面有一些示例，我们只知道这个包的标签，Y或N，但是我们不知道每个示例的标签。

不精确监督是指，给出的标签不总是正确的，比如本来应该是Y的标签被错误标记成了N。

我们还是用最简单的西瓜的例子来直观理解一下这三者的区别。

最左边是不完全监督，即我们可以看到有一些西瓜有标签，而有一些西瓜没有标签，标注并不完全。

中间的是不确切监督。对于这种情况，我们可以把这个想象成一个包，只知道这里面有西瓜，但是不知道西瓜在哪个位置，也不知道有几个，这种情况叫不确切监督。

最右边的是不精确监督。即假设我们有一些西瓜，但是有一些被错误标注为菠萝，那我们称之为不精确监督。

我们将分别对待这些类型的弱监督学习，但值得一提的是，在实际操作中，它们经常同时发生。

 

2、解决办法

方法的细节可以参考文章：浅谈弱监督学习

（1）对于不完全监督：可以使用主动学习和半监督学习

（2）对于不确切监督，我们可以考虑多示例学习。

（3）对于不精确监督，我们考虑带噪学习。

参考文献及链接

1、自监督学习（Self-supervised Learning）_乐乐lelele的博客-CSDN博客_自监督学习

2、浅谈弱监督学习（Weakly Supervised Learning） - 知乎