监督学习，无监督学习和弱监督学习

• unsupervised：无监督学习，是使用没有标注的数据训练模型，不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，如聚类、降维。
  • self-supervised ：自监督学习，没有标注资料也会自己会学习的方法。属于 unsupervised learning。利用代理任务（pretext task）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征， 如对比学习。
• supervised：监督学习，是使用了有标注的数据训练模型
• weakly supervised learning：弱监督学习
  • incomplete supervision:不完全监督，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。
  • inexact supervision:不确切监督，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。
  • inaccurate supervision:不精确监督，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。
  • 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。
  • semi-supervised ：是同时使用了有标注与没有标注的数据训练模型。利用少量有标签数据和大量无标签数据来训练模型。常用做法是先用有标签数据（较小规模的）训练一个Teacher模型，再用这个模型对无标签数据（较大规模的）预测伪标签，作为Student模型的训练数据；

弱监督包括半监督

参考链接：

1. 弱监督和半监督区别
2. 知乎专栏：浅谈弱监督学习（Weakly Supervised Learning）
3. 机器学习】什么是监督学习、半监督学习、无监督学习、自监督学习以及弱监督学习