Weak Supervision：用不完美数据训练高质量模型
弱监督学习是一种利用不完美、有噪声或启发式规则生成标签来训练机器学习模型的方法，大幅降低标注成本，同时保持不错的效果。
一句话解释
弱监督学习（Weak Supervision）是指利用不完美、有噪声或通过启发式规则自动生成的标签来训练机器学习模型的方法。它不依赖人工逐条标注，而是通过“弱信号”快速构建大规模训练集，再通过特殊算法纠正标签噪声，最终产出接近全监督水平的模型。
为什么会被关注
在深度学习时代，高质量标注数据是稀缺资源。传统人工标注成本高、周期长，尤其对于医疗、法律等专业领域，专家标注更是昂贵。弱监督学习让开发者利用已有的知识库、启发式规则、外部数据库甚至用户行为日志自动产生标签，大幅降低数据准备的门槛。
例如，使用几条简单的关键词规则就能生成百万级弱标签，让模型在几天内完成训练，而人工标注同样数量可能需要数月。这种高效率使弱监督成为工业界快速落地AI应用的关键工具之一。
核心逻辑
弱监督的核心思想是“多个弱信号组合成强信号”。常见实现包括Snorkel、FlySight等数据编程框架，用户定义若干标签函数（如正则表达式、知识库查询、外部模型输出），每个函数输出有噪声的标签，然后通过生成模型（如label model）估计这些函数的准确率、相关性，并统一集成出高置信度的概率标签。
之后再使用这些概率标签训练下游分类器，由于训练数据量巨大且经过噪声纠正，模型往往能学到真正的模式，性能接近甚至超过使用少量干净数据训练的模型。整个过程无需人工查看原始数据。
常见场景
文本分类：用关键词、模式匹配或外部百科自动标注新闻主题，再训练分类器。例如用“股价”“涨停”等规则生成财经标签。
医疗影像：结合结构化报告中的诊断结论与图像特征，生成病变区域弱标签，用于训练检测模型。还可利用ICD编码自动标注病历。
知识图谱构建：通过实体链接、关系抽取的启发式规则（如“出生在中国”→国籍关系）快速生成三元组，减少手工校验。
容易混淆的点
弱监督≠半监督学习。半监督假设少量标注+大量无标注数据，学习时利用无标注数据的结构；弱监督则完全使用弱标签，不依赖任何干净标注。
弱监督≠主动学习。主动学习是让模型主动选择最不确定的样本让人工标注，核心仍是人工介入；弱监督完全自动化生成标签，无需人工选样。
弱监督也不同于带噪学习，后者更多研究如何在已知噪声比例下修正标签，而弱监督侧重从无到有地构建标签来源并进行概率融合。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词开源权重指大模型（如LLaMA、Mistral）公开发布的预训练参数文件，开发者可免费下载、部署并微调，极大降低了AI应用门槛。它是开源社区与商业模型竞争的关键，也引发了关于安全与可控性的讨论。
场景大模型是指针对具体行业或业务场景（如医疗、金融、教育、客服等）进行定向调优的大语言模型。它通过领域数据训练、提示工程或微调，在特定任务上表现优于通用模型，且更安全、高效。
对话式搜索允许用户通过连续的自然语言提问获取信息，搜索引擎不再返回链接列表，而是直接给出答案并支持追问。它融合了自然语言理解、生成式AI与多轮交互能力，正在重塑传统搜索体验。
答案引擎是结合大语言模型与传统搜索的新型工具，用户用自然语言提问后，系统直接返回总结好的答案并附上来源，省去翻页筛选的麻烦。Perplexity AI、天工AI搜索等是典型代表。