你一定经历过这样的场景：期末考试刚结束，老师抱着一摞试卷走进教室，说“这次来不及全批，只改了前面几道大题，后面的你们自己对答案”。你心里咯噔一下——批到的地方老师写得清清楚楚，没批到的地方只能靠猜。 机器学习也一样。最理想的训练数据，是每一张图、每一段文本都被人工标上正确标签，像老师每道题都写了标准答案。可现实中，标注预算有限、专业标注师稀缺、时间永远不够。于是研究者开始琢磨：当标签不够多、不够细、不够准时，模型还能不能学？ 这就是弱监督学习（Weakly Supervised Learning）要回答的问题。它不追求“完美标注”，而是像老师处理堆积如山的试卷一样，用更省力的方式照样把学生教会。所谓“弱”，指的是标签的三种透支：数量不足、粒度太粗、质量不高——对应不完全监督、不确切监督、不准确监督三个分支。 这篇文章就用“老师批卷子”这个比喻，把三种“偷懒式批改”讲明白，并看看它们在实际工程里能派上什么用场。

岗位关联

掌握弱监督学习，你就能在标注预算吃紧的真实项目里，用更低成本训练出可用模型——这是算法工程师应对“数据荒”的必修课。

目录
  1. 可视化演示
  2. 监督学习基础
  3. 不完全监督
  4. 不确切监督
  5. 不准确监督
  6. 应用场景
  7. 挑战局限
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

粗粒度标签 → 细粒度预测 图像级标签 → 像素级分割 噪声标签鲁棒学习 半监督学习：利用未标注数据 红点 = 错误标签 彩色 = 已标注 | 灰色 = 未标注 弱监督学习三种类型可视化：不完全监督（少量标注）、不确切监督（粗粒度标签）、不准确监督（噪声标签）

监督学习基础

想象一位最负责的班主任：他收齐全班作业，每一道题都精批细改，用红笔写上标准答案和评语。学生拿到作业本，哪里错了、为什么错、正确答案是什么，一目了然。这就是“完全监督”——每一个训练样本都带有正确的标签，模型只需照单全收地学习输入到输出的映射。

可这样的“全批全改”成本极高。一份专业领域的标注，可能比写作业本身还贵。以医疗影像标注为例，请一位放射科医生逐像素勾画病灶，一张图就要几个小时；翻译一句法律文本找专家校对，价格也不便宜。于是数据团队常常陷入“数据饥渴”：明明硬盘里存了几个 T 的原始数据，能用的标注数据却只有可怜的一小部分。

监督学习的训练目标，可以概括为最小化模型预测与真实标签之间的平均差距。形式化地看，给定 $N$ 个标注样本，我们求解：

完全监督效果最好，但它假设“老师有无限精力批改每一道题”。现实显然不是这样——于是研究者开始思考：如果老师偷点懒，只改一部分作业、只写一个总分、偶尔批错几道题，学生还能不能学会？

min⁡θ  1N∑i=1NL(f(xi;θ), yi)\displaystyle \min_{\theta} \; \frac{1}{N} \sum_{i=1}^{N} \mathcal{L}\big(f(x_i;\theta),\, y_i\big)
这个公式是说：调整模型参数 $\theta$，让模型对每个样本的预测尽量贴近它的标签，使平均损失最小。
  1. $N$ 标注样本数参与训练的样本总数量。$N$ 越大，损失的平均值越能代表整体规律，就像老师批改的作业份数越多越了解全班学情。
    N\displaystyle N
  2. $x_i$ 第 $i$ 个样本的特征一张图片、一段文本或一条传感器记录，是学生交上来的“作业内容”。
    xi\displaystyle x_i
  3. $y_i$ 第 $i$ 个样本的标签样本对应的类别或数值，是老师给出的“批改结论”，也是模型学习的参考答案。
    yi\displaystyle y_i
  4. $f(x_i;\theta)$ 模型预测参数为 $\theta$ 的模型对样本 $x_i$ 的输出，代表老师教给学生的解题套路。
    f(xi;θ)\displaystyle f(x_i;\theta)
  5. $\mathcal{L}$ 损失函数量化预测与标签之间的差距，差距越大，说明这道题学生做得越离谱。
    L(⋅)\displaystyle \mathcal{L}(\cdot)
  6. $\min_{\theta}$ 最小化平均损失不断调整参数，让整体犯错最小，相当于把解题套路练到最好。
    min⁡θ\displaystyle \min_{\theta}

不完全监督

月考卷子堆成小山，老师实在批不完，只改了前两页，剩下的试卷大片空白。学生拿到手，有的是“标准答案”，有的只有题目没批注。这种“只批了一部分作业”的情况，对应弱监督的第一种类型——不完全监督：数据集中只有一部分样本有标签，其余样本没有标签。

不完全监督是现实中最常见的场景。标注预算有限，不可能把所有数据都标完；视频连续 1000 帧，逐帧标注太贵，往往每隔几十帧标一帧。怎么破？业界有两条主流思路。

第一条叫主动学习。模型先拿少量已标注数据学个大概，然后自己指出“哪些未标注样本最让我拿不准”，把这些样本优先送给人去标注。这就像学生专门挑不会的题去问老师，而不是把整本练习册从头问到尾。标注预算花在刀刃上，能用最少的提问换最大的进步。

第二条叫半监督学习。先用已标注样本训练一个初始模型，再让它对未标注样本做预测，把置信度高的预测当作“伪标签”，合并进训练集再迭代。这就像学生先凭感觉把没批改的题做一遍，写个答案上去，等老师后续抽查订正。伪标签的生成可以写成：

不完全监督的本质是“老师少批点，学生多揣摩点”。但要注意，半监督只是处理不完全监督的一种思想，它远远不是弱监督的全部——下面还有两种“偷懒”方式。

y^j=arg⁡max⁡c∈C  pθ(c∣xj)\displaystyle \hat{y}_j = \arg\max_{c \in \mathcal{C}} \; p_\theta(c \mid x_j)
公式的含义是：对于没有标签的样本 $x_j$，模型先估一估它属于每个类别的概率，把概率最大的那个类别当作临时标签。
  1. $x_j$ 未标注样本老师没批到的那道作业题，它本身有答案但没人告诉他。
    xj\displaystyle x_j
  2. $c \in \mathcal{C}$ 候选类别遍历所有可能的类别（如“正类/负类”），相当于学生猜测这道题可能属于哪个知识点。
    c∈C\displaystyle c \in \mathcal{C}
  3. $p_\theta(c \mid x_j)$ 预测概率当前模型认为 $x_j$ 属于类别 $c$ 的概率，反映学生对自己判断的把握程度。
    pθ(c∣xj)\displaystyle p_\theta(c \mid x_j)
  4. $\arg\max$ 取最大值对应的类别挑出概率最大的那个类别作为结果。
    arg⁡max⁡c\displaystyle \arg\max_c
  5. $\hat{y}_j$ 伪标签得到的临时标签，先当真标签用，后续需要校验机制来把关，就像批改后的作业还要抽查。
    y^j\displaystyle \hat{y}_j

不确切监督

还有一种批改方式更“粗”：老师不逐题批注，只在大题得分栏写个总分。学生拿到卷子，只知道这一大题组整体得了多少分，具体哪道小题错了、哪道对了，完全不清楚。这叫不确切监督——训练时没有样本粒度的标签，只有一组样本的粗粒度标签。

这种“分组给分”在现实中很常见。医学影像就是典型：让医生在整张病理切片上圈出每一个癌变细胞极其困难，但让医生判断“这张切片是否含癌”却容易得多。于是研究者把一张切片当作一个“包”（bag），切片里的每个小图块当作包内的示例（instance），只给包打标签。

这就是多示例学习（Multiple Instance Learning, MIL）的设定。它的核心规则很简单：一个包被标为正，表示包内至少存在一个正样本；一个包被标为负，表示包内全部是负样本。形式化地，第 $k$ 个包的包级标签 $Y_k$ 定义为：

不确切监督用“粗标签”换“低成本”：医生不必标注每个细胞，只需给出整体结论。相应地，模型要付出更多推理上的努力——正如学生光看总分，得自己分析是哪道题拖了后腿。

Yk=max⁡i∈Ik  yki\displaystyle Y_k = \max_{i \in I_k} \; y_{ki}
包标签等于包内所有示例标签的最大值——只要有任何一个示例是正的，整个包就是正的。
  1. $I_k$ 包内示例下标集合第 $k$ 个包里包含哪些样本，相当于“一道大题下包含的所有小问”。
    Ik\displaystyle I_k
  2. $y_{ki}$ 包内第 $i$ 个示例的真实标签训练时不可见、需要模型去推断的未知量。
    yki\displaystyle y_{ki}
  3. $Y_k$ 包级标签我们唯一能观测到的粗粒度标签，0 表示负包，1 表示正包。
    Yk\displaystyle Y_k
  4. $\max$ 取最大值只要包内存在任意一个正示例，最大值就是 1，包即正。
    max⁡i∈Ik\displaystyle \max_{i \in I_k}
  5. 训练难点模型不知道是哪个示例贡献了正标签，只能整体推断，这就是“只知道大题得分，反推具体错题”的难度所在。
    yki∈{0,1}\displaystyle y_{ki} \in \{0, 1\}

不准确监督

第三种“偷懒”是老师改得飞快，偶尔看走眼，把对的题画上叉，把错的题打上勾。学生手里的“参考答案”本身就带着笔误。这就是不准确监督：标签是存在的，但标签本身可能是错的，含有噪声。

标签噪声在真实数据里几乎无法避免。众包平台上，标注者的专业水平参差不齐，对“这条评论是不是正面情感”的判定因人而异；自动标注流水线里，规则模板也难免误判。有研究表明，工业界的真实数据集里，标签错误率在 10% 到 30% 之间是常态。如果模型把这些错标签当圣旨一样死记硬背，学到的“标准答案”就是歪的。

怎么应对？一个关键思路是标签转移矩阵 $T$：它描述的是一个真实标签 $y$ 在观测时被“翻转”成噪声标签 $j$ 的概率。有了这个矩阵，就可以修正损失函数，让模型不再盲目相信每一个标签：

不准确监督的核心心态是：别把标签当“标准答案”，而要当作“参考答案”。老师有笔误不要紧，只要笔误的概率可以被估计出来，模型依然能从大体正确的批注里学到知识。当然，如果噪声太大，可能还需要清洗数据、筛选高置信样本等组合拳。

L~(x,y)=∑jTyj  L(f(x;θ), j)\displaystyle \tilde{\mathcal{L}}(x,y) = \sum_{j} T_{yj} \; \mathcal{L}\big(f(x;\theta),\, j\big)
修正后的损失，把“标签被看错”的概率也考虑进去——老师批改的可靠性越低，模型对这个标签的信任就越打折扣。
  1. $y$ 真实标签实际上正确的类别，老师原本想打的分数。
    y\displaystyle y
  2. $j$ 可能的观测标签遍历所有类别，表示标签“有可能被看成什么”。
    j\displaystyle j
  3. $T_{yj}$ 转移概率真实标签 $y$ 被观测为标签 $j$ 的概率，是转移矩阵中的一个元素。
    Tyj\displaystyle T_{yj}
  4. $\mathcal{L}(f(x;\theta), j)$ 关于观测标签的损失如果把当前标签 $j$ 当成真标签来算损失。
    L(f(x;θ),j)\displaystyle \mathcal{L}(f(x;\theta), j)
  5. $\sum_j$ 对所有可能情况求和把每种翻转可能都按概率加权，得到期望损失。
    ∑jTyjL(⋅)\displaystyle \sum_j T_{yj}\mathcal{L}(\cdot)

应用场景

前面三种“偷懒批改”，在不同的行业里有不同的化身。这一节我们把它们放回现实世界，看看工程师们具体是怎么用的。

医疗影像——不确切监督的典型战场。 病理科医生每天面对大量切片，逐一标注每个癌变细胞几乎不可能。但“这张切片是否含癌”的整体判断，医生可以快速给出。于是研究者把一张切片当作一个包，把切片切割成的小图块当作包内示例，训练多示例学习模型。模型先对每个图块计算癌变概率，再汇总成整张切片的阳性概率：

文本分类——不准确监督的高发区。 电商平台给海量评论做情感标注时，通常依赖众包标注平台。不同标注者对“中性偏积极的话算不算正面”标准不一，导致标签噪声居高不下。这时就用上一节的转移矩阵修正损失，再配合高置信度样本筛选，在噪声中稳健地训练模型。

目标检测——不完全监督的经典套路。 自动驾驶团队采集了十万帧视频，逐帧标注目标框成本极高。聪明的做法是只标注其中一小部分帧，训练一个初始检测模型，再用主动学习从剩余帧里挑出“模型最不确定”的画面补标，迭代几轮后，用很少的标签量就能逼近全量标注的效果。

这些场景有一个共同点：老师们——无论是医生、众包标注者还是自动标注脚本——都在用“更低成本的批改方式”换取模型可用的可能性。弱监督不是理论玩具，而是工程上非常务实的选择。

P(Yk=1∣Bk)=max⁡i∈Ik  P(yi=1∣xi)\displaystyle P(Y_k=1 \mid B_k) = \max_{i \in I_k} \; P(y_i=1 \mid x_i)
这句话翻译过来是：一张切片是否含癌，取决于切片里最像癌变区域的那一块有多像。只要有一个区域高度可疑，整张切片就报告阳性。
  1. $B_k$ 第 $k$ 张病理切片（包）一个包对应一个待诊断的样本。
    Bk\displaystyle B_k
  2. $x_i$ 切片中的局部图块把整张切片切分成的小块区域，是模型真正逐个分析的对象。
    xi\displaystyle x_i
  3. $P(y_i=1 \mid x_i)$ 图块癌变概率模型对每个小图块输出一个“像癌”的概率。
    P(yi=1∣xi)\displaystyle P(y_i=1 \mid x_i)
  4. $\max$ 取最大值取所有图块中的最高概率，作为整张切片的含癌置信度。
    max⁡i\displaystyle \max_i
  5. $P(Y_k=1 \mid B_k)$ 包级阳性概率最终输出的整图诊断结果，用于辅助医生决策。
    P(Yk=1∣Bk)\displaystyle P(Y_k=1 \mid B_k)

挑战局限

老师偷懒批改，省下了时间，但也埋下了隐患。弱监督学习在落地时，要清醒地认识到它的代价。

首先是噪声校验难。 标签转移矩阵 $T$ 能建模翻转概率，但 $T$ 本身是从数据中学出来的，学不准怎么办？真实标签完全缺失时，很难客观估计到底有多少标签是错的。工程上常用“抽样复查”来估算整体噪声率：抽一小部分样本，请专家人工核对，统计错标比例：

其次是模型偏差会被放大。 伪标签方法有个恶性循环风险：初始模型如果对某个类别有偏，它会对未标注数据给出同样有偏的预测，这些预测又会作为伪标签喂回去训练，进一步强化偏差——就像学生把错答案当成对的写进笔记，越背越熟。因此伪标签通常只保留高置信度预测，并引入人工抽查机制。

最后是评估困难。 完全监督的模型可以靠在干净测试集上的准确率说话；弱监督场景里测试集同样“脏”，模型真实水平的衡量就变得不可靠。解决方法是单独维护一小块“金标准”验证集，用专家精标的数据做评估锚点。

回到老师的比喻：偷懒批改确实能省力气，但老师必须知道自己批得有多不靠谱、学生有没有被带偏、怎么判断教学成果。弱监督学习不是“免费的午餐”，而是在标签成本和质量之间做有策略的权衡。

ρ^=1M∑k=1M1[y~k≠yk∗]\displaystyle \hat{\rho} = \frac{1}{M} \sum_{k=1}^{M} \mathbb{1}\big[\tilde{y}_k \neq y_k^*\big]
这个公式是说：随机抽查 $M$ 个样本，看原始标签和专家复查的干净标签不一致的比例——就像随机抽几本作业核验老师有没有批错。
  1. $M$ 抽查样本数量从全部数据中随机抽出的核对子集规模。
    M\displaystyle M
  2. $\tilde{y}_k$ 原始标签弱监督流程里得到的带噪声标签。
    y~k\displaystyle \tilde{y}_k
  3. $y_k^*$ 干净标签专家人工复查后得到的“标准答案”，用作对比基准。
    yk∗\displaystyle y_k^*
  4. $\mathbb{1}[\cdot]$ 指示函数条件成立记为 1，不成立记为 0，用来统计“批错了几道题”。
    1[y~k≠yk∗]\displaystyle \mathbb{1}[\tilde{y}_k \neq y_k^*]
  5. $\hat{\rho}$ 噪声率估计平均错标比例，指导我们要不要上鲁棒策略。
    ρ^\displaystyle \hat{\rho}

AI 应用场景

医疗影像辅助诊断

阶段：数据标注与准备、模型训练

解决的问题：病理切片逐区域标注每个癌变细胞需要病理专家付出数小时手工勾画，成本极高。传统做法要么放弃大量无标注数据，要么投入巨额标注预算。弱监督方案让医生只需给出“整张切片是否含癌”的粗粒度标签，通过多示例学习训练模型，再输出可疑区域热力图辅助定位——就像老师只写大题总分，模型自己反推具体哪道小题出了问题。

具体案例：某三甲医院合作项目中，病理科医生为 1 万张乳腺癌切片标注“是否含癌”（不标注具体区域），用 MIL 模型训练，验证集 AUC 达 0.91，同时输出热力图帮助医生快速定位可疑病变区域，将初筛时间缩短约 40%。

电商评论情感分析

阶段：数据清洗、模型训练

解决的问题：众包标注者水平参差，对“略带讽刺的正面评论”判断不一致，导致标签噪声率高。传统做法是反复清洗众包结果，耗时耗力。弱监督方案直接用标签转移矩阵修正损失，并对低置信样本降权，让模型学会在噪声中提取真实信号——就像学生拿到一堆有笔误的批改，要学会跟老师确认而不是盲目照抄。

具体案例：某电商平台评论情感模型，人工抽查发现约 18% 标签有误。引入转移矩阵损失修正后，模型在专家复核集上的 F1 从 0.78 提升至 0.85，有效撑起了一版线上情感分析服务。

自动驾驶视频帧主动标注

阶段：主动学习、数据筛选

解决的问题：自动驾驶视频相邻帧高度相似，逐帧标注目标框性价比极低。传统全量标注方案在 10 万帧数据上需投入上千人时。弱监督思路通过主动学习，让模型挑出“最拿不准”的帧优先补标，以尽量少的标注量逼近全量效果——就像学生只挑不会的题问老师，而不是把整本练习册都递上去。

具体案例：某自动驾驶团队 10 万帧视频仅标注 1.8 万帧，结合主动学习迭代标注后，检测 mAP 达到全量标注方案的 96%，标注成本节省超过 80%。

Python 演示

python36 行
import numpy as npfrom sklearn.datasets import make_classificationfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_score  def main():    X, y = make_classification(n_samples=600, n_features=6,                               n_informative=4, random_state=42)    rng = np.random.RandomState(0)    labeled = rng.rand(len(X)) < 0.15     clf = LogisticRegression(max_iter=2000)    clf.fit(X[labeled], y[labeled])    acc_part = accuracy_score(y[~labeled], clf.predict(X[~labeled]))     prob = clf.predict_proba(X[~labeled])    conf = prob.max(axis=1)    pseudo_label = prob.argmax(axis=1)    keep = conf > 0.8     X_pseudo = X[~labeled][keep]    y_pseudo = pseudo_label[keep]    X_aug = np.vstack([X[labeled], X_pseudo])    y_aug = np.hstack([y[labeled], y_pseudo])     clf2 = LogisticRegression(max_iter=2000)    clf2.fit(X_aug, y_aug)    acc_pseudo = accuracy_score(y[~labeled], clf2.predict(X[~labeled]))     print("仅用15%标注训练:", round(acc_part, 4))    print("伪标签增强后:", round(acc_pseudo, 4))  if __name__ == "__main__":    main()
目的：演示不完全监督场景下，用 15% 的标注数据训练初始模型，再对未标注样本生成高置信伪标签扩充训练集，对比伪标签增强前后的效果提升。
  1. labeled = rng.rand(len(X)) < 0.15随机抽取 15% 的样本作为“被老师批改过的部分”
  2. clf.fit(X[labeled], y[labeled])只用已标注样本训练第一个模型
  3. prob = clf.predict_proba(X[~labeled])让模型对未标注样本输出每个类别的概率
  4. conf = prob.max(axis=1)取每个样本的最高预测概率作为置信度
  5. keep = conf > 0.8只保留高置信度预测，避免低质量伪标签污染训练集
  6. X_aug = np.vstack([X[labeled], X_pseudo])把原始标注和伪标签样本纵向拼接
  7. clf2.fit(X_aug, y_aug)在扩充后的数据集上重新训练模型
  8. acc_pseudo = accuracy_score(y[~labeled], clf2.predict(X[~labeled]))在未标注样本上评估增强后的效果

常见误区

误区初学者翻开弱监督的资料，满屏都是“半监督”“伪标签”，很容易直接画等号：“弱监督不就是半监督吗？用一部分带标签的数据训练。”

正解半监督只是弱监督中“不完全监督”的一个实现思路。弱监督是一把更大的伞，罩住三类标签缺陷：数量不足（不完全监督）、粒度太粗（不确切监督）、质量不高（不准确监督）。半监督主要针对第一类。好比“老师没批完作业”只是老师偷懒的一种方式，老师还可能只写总分、还会批错题。

为何常见：半监督学习在教材里出现频率最高、方法最成熟，初学者往往先接触它，再接触弱监督这个大概念时就容易以偏概全。

误区“弱监督嘛，就是不用标注，模型自己学就行。我都把标注预算砍了。”

正解弱监督仍然属于监督学习的范畴，它还是需要标签的——只是标签可以更少、更粗、更脏。完全不依赖任何标签的是无监督学习或自监督学习。弱监督的定位是“降低标注的精细度要求”：老师仍然批改作业，只是批得没那么认真，而不是干脆不批。

为何常见：“弱”字容易被直觉解读成“没有”，加上媒体在讲无监督学习时渲染“无需标注”的效果，两个概念就稀里糊涂地混在一起了。

误区“众包标签错误率快 20% 了，这数据根本不能用，扔掉重新标吧。”

正解噪声标签里仍然含有大量有效信息。全扔不仅浪费资源，重新标注还要再花一笔钱。工程上通过标签转移矩阵、损失修正、高置信样本筛选等手段，即便在 20%—40% 的噪声下也能训练出可用模型。老师虽然批错了几道题，但大多数批注还是有参考价值的，学生结合整体判断就能纠正个别错误。

为何常见：我们习惯把标签当成绝对“标准答案”来信任，一旦发现错误就产生全盘否定的心理，缺乏“概率化看待标签”的工程思维。

误区“既然标签都不完美，弱监督模型肯定打不过完全监督，顶多算个无奈的凑合方案。”

正解在标注预算固定的前提下，弱监督常常能赢。因为完全监督只能拿到极少量高质量样本，而弱监督能利用成千上万条低成本弱标签数据，数据量上的优势往往盖过一点标签质量的损失。老师精批细改 10 份作业，未必比泛批 100 份作业更了解全班真实水平。

为何常见：直觉上认为“质量 > 数量”，但忽略了现实约束是预算有限。弱监督用更大数据量换质量损失，在统计上常常是划算的买卖。

面试题

Q1. 弱监督学习通常不包含下列哪类标签问题？

单选题 · easy

  • A.不完全监督
  • B.不确切监督
  • C.不准确监督
  • D.完全监督← 正确答案

答案：D。弱监督学习正是针对“标签不完美”的三类问题：不完全（数量不足）、不确切（粒度太粗）、不准确（质量差）。完全监督是标签完美的理想情形，不属于弱监督的范畴，就像“老师每道题都精批细改”不属于“老师偷懒”一样。

Q2. 仅拥有一小部分样本标签的训练问题，属于哪种监督类型？

单选题 · easy

  • A.不准确监督
  • B.不确切监督
  • C.不完全监督← 正确答案
  • D.完全监督

答案：C。只有部分样本有标签、其余样本无标签，这是典型的不完全监督。不确切监督是标签太粗（只有包级标签），不准确监督是标签有噪声。类比来说，不完全监督是“老师只批了一部分作业”，其余留白。

Q3. 关于半监督学习与弱监督学习的关系，下列说法正确的是？

单选题 · mid

  • A.二者定义完全等价
  • B.半监督属于弱监督范畴← 正确答案
  • C.弱监督属于半监督范畴
  • D.二者没有任何关联

答案：B。半监督学习利用少量标注 + 大量未标注数据，本质上是处理“不完全监督”这一弱监督子问题的方法之一。弱监督是更大的框架，还包含不确切、不准确两类问题，因此半监督是弱监督的子集，不能说二者等价或无关。

Q4. 弱监督学习主要解决哪几类标签缺陷？

多选题 · mid

  • A.标签数量不足← 正确答案
  • B.标签粒度太粗← 正确答案
  • C.标签含有噪声← 正确答案
  • D.标签过于精确

答案：ABC。弱监督的三大分支分别对应三种缺陷：不完全监督应对标签数量不足，不确切监督应对标签粒度太粗（只到包级），不准确监督应对标签含噪声。“标签过于精确”不是缺陷，反而恰恰是完美标签的表现。

Q5. 众包平台收集的标注数据，最可能属于哪类弱监督问题？

单选题 · easy

  • A.完全监督问题
  • B.不准确监督问题← 正确答案
  • C.不确切监督问题
  • D.不完全监督问题

答案：B。众包标注者水平参差、标准不统一，收集到的标签往往混杂着大量错误，属于标签质量不高的问题，即不准确监督。众包主要解决“标得便宜”的规模化问题，但代价是噪声，类似老师改得快就容易批错。

Q6. 处理不完全监督时，用于挑选最有价值未标注样本请专家标注的策略是？

单选题 · mid

  • A.主动学习策略← 正确答案
  • B.多示例学习策略
  • C.转移矩阵策略
  • D.噪声鲁棒策略

答案：A。主动学习的核心是让模型挑出“最不确定”的样本优先让人标注，把预算花在刀刃上，就像学生只挑不会的题去问老师。多示例学习用于不确切监督，转移矩阵和噪声鲁棒则针对不准确监督。

Q7. 病理切片只标注“整张是否含癌”而不标注具体区域，属于下列哪种？

单选题 · hard

  • A.不完全监督问题
  • B.不准确监督问题
  • C.不确切监督问题← 正确答案
  • D.无监督学习问题

答案：C。标签是“整张切片含癌与否”的包级粗粒度标签，切块到具体区域没有个体标签，这是不确切监督的典型场景，适合用多示例学习。它对应“老师只写大题总分，不逐题批注”，而非“只批部分作业”或“批错题”。

Q8. 面对标签噪声，业界常用的鲁棒处理策略包括？

多选题 · hard

  • A.标签转移矩阵修正← 正确答案
  • B.筛选高置信度样本← 正确答案
  • C.无视标签直接训练
  • D.学习噪声率参数← 正确答案

答案：ABD。转移矩阵建模真实标签翻转为噪声标签的概率并修正损失，筛选高置信度样本能剔除明显可疑的标签，学习噪声率参数可以指导清洗力度——三者都是常见鲁棒手段。无视标签、直接硬训等于让模型把噪声当标准答案死记，完全不可取。

Q9. 伪标签(pseudo-labeling)迭代训练时，最关键的风险是？

单选题 · extreme

  • A.错误预测被自信地放大← 正确答案
  • B.只擅长处理线性数据
  • C.标注数据被反复过拟合
  • D.模型推理速度明显下降

答案：A。伪标签方法把模型自己的高置信预测当标签喂回训练集，如果初始模型有偏，错误会自我强化——这就像学生把错的解题步骤当成标准笔记反复背诵，越背越巩固。因此伪标签通常只保留高置信预测，并配合人工抽查防止偏差固化。后三个选项都不是伪标签特有的关键风险。

Q10. 下列哪些属于弱监督学习的挑战与局限？

多选题 · mid

  • A.噪声标签难以估计← 正确答案
  • B.模型误差可能被放大← 正确答案
  • C.缺少可靠评估基准← 正确答案
  • D.彻底替代人工标注

答案：ABC。弱监督的三大挑战是：真实噪声率难以准确估计、初始模型偏差被伪标签反复放大、测试集同样不干净导致评估缺少可靠基准。它能够降低标注成本，但绝不意味着彻底替代人工标注——人工抽查和“金标准”验证集仍然是必需的兜底。