弱監督學習 是什麼？

Weak Supervision — 弱監督學習 的完整解釋

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。

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。

記住這句就好

標籤不夠準，也能先拿來學。

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。

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

弱監督的標籤不準，模型不是會學壞嗎？

會有風險，所以通常要結合多個來源、做去噪和驗證，不能直接全信。

弱監督一定比人工標註差嗎？

不一定，當資料量很大、規則品質也不錯時，弱監督常能先做出夠用的模型。

弱監督可以跟人工標註一起用嗎？

可以，而且很常這樣做。人工標註通常拿來當高品質驗證或修正來源。

弱監督適合什麼任務？

適合分類、偵測、資訊抽取這類能靠規則或外部知識產生部分標籤的任務。