AITerms 登入
機器學習模型訓練資料處理

弱監督學習(Weak Supervision)是什麼?

弱監督學習利用不精確、不完整或帶有雜訊的標籤資料來訓練機器學習模型,降低對大量精確標註資料的依賴。

完整定義

弱監督學習是一種機器學習方法,旨在利用不完全、不準確或帶有雜訊的標籤資料來訓練模型。它通過使用各種弱監督源(例如,啟發式規則、知識圖譜或多個標註者)來生成標籤,從而減少對大量手動標註資料的需求,並降低標註成本。

白話說明

你有沒有一堆資料想訓練模型,卻沒有那麼多精準人工標註?

你可以把弱監督學習想成,用不完全、帶雜訊、或只是大方向正確的標籤來教模型學習。

它重要,是因為很多真實場景的標註太貴、太慢,弱監督可以先把資料用起來。

記住這句

標籤不夠準,也能先拿來學。

比喻:弱監督學習就像一個聰明的偵探,即使只有模糊的線索(不精確的標籤),也能從中推理出真相 -- 它能從不完美的資料中學習,找出規律,完成任務。

容易混淆

弱監督學習 vs 半監督學習

半監督學習是少量有標註、很多沒標註;弱監督學習是標註本身不精準或不完整。

弱監督學習 vs 監督學習

監督學習依賴高品質標註,弱監督學習會接受較吵的標籤來源。

弱監督學習 vs 程式化標註

程式化標註是產生弱標籤的方法之一,弱監督學習則是整體訓練思路。

最關鍵的區別:弱監督是標籤不完美,不是資料完全沒標。

實際案例

客服郵件分類

你先用規則把「退款、退貨、取消」的郵件標成高風險,再讓模型去學,之後再用人工抽查修正。

電商商品標籤

商品描述常又長又亂,人工逐筆標註成本很高,先用字典、關鍵字和規則產生弱標籤,能先把基礎分類做起來。

演算法與應用

弱監督常會把多個弱標籤來源整合起來,再估計哪個來源比較可靠。

常見流程是先設計標註規則,再合併多個規則的輸出,最後用乾淨一點的驗證集檢查效果。

它特別常出現在資料標註昂貴、但規則又能部分描述任務的情境。

情境判斷

Q1(直覺題): 你用幾條規則先標出垃圾信,再拿這些標籤訓練模型,這算弱監督嗎?

算,因為標籤來源不是完全人工精標,而是帶規則和雜訊的弱標籤。

Q2(判斷題): 如果你只有少量人工標註、其餘資料都沒標籤,這還是弱監督嗎?

不一定,這更像半監督學習。要看你是「標籤不準」還是「標籤很少」。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本