弱监督学习的最新进展：新的监督范式、假设放宽与实际解决方案

arXiv cs.LG 论文
weakly-supervised-learning classification confidence-difference complementary-label-learning partial-label-learning deep-learning research

摘要

本章回顾了弱监督学习的最新进展，介绍了置信度差异分类、互补标签学习的放宽假设以及部分标签学习的评估框架。

arXiv:2608.06896v1 公告类型：新 摘要：近年来，得益于高质量、标注良好的训练数据的可用性，深度学习取得了巨大成功。然而，在现实世界的应用中，这一要求往往无法满足。弱监督学习旨在利用不完整、不精确或不准确的监督信息来训练精确的模型。在本章中，我们将讨论该领域的最新进展，包括新的监督范式、放宽的假设和实际解决方案。首先，我们引入了一个新的弱监督二分类问题，称为置信度差异分类，并提出了解决该问题的一致性方法。接下来，我们研究互补标签学习，这是一个弱监督多分类问题。与现有的一致性方法相比，我们提出的方法基于对数据生成过程更宽松的假设。最后，我们为部分标签学习（另一个流行的多类弱监督学习问题）提出了一个评估框架，以促进该领域算法的公平和现实评估。
查看原文
查看缓存全文

缓存时间: 2026/08/10 08:04 

# 第10章 弱监督学习的最新进展

Source: https://arxiv.org/html/2608.06896

###### 摘要

近年来，得益于高质量、良好标注的训练数据的可用性，深度学习取得了巨大成功。然而，这一要求在现实应用中往往无法满足。弱监督学习旨在利用不完整、不精确或不准确的监督来训练准确模型。在本章中，我们将讨论该领域的最新进展，包括新的监督范式、放宽的假设以及实际解决方案。首先，我们介绍一个新的弱监督二分类问题，称为置信度差异分类，并提出一致的方法来求解它。接下来，我们研究互补标签学习，这是一个弱监督多分类问题。我们提出的方法基于比现有一致方法更宽松的数据生成过程假设。最后，我们提出了部分标签学习的评估框架，这是另一个流行的弱监督多分类学习问题，以促进该领域算法的公平和现实评估。

\Mainmatter

\subchapter

新的监督范式、假设放宽与实际解决方案

### 1 引言

近年来，深度学习凭借其强大的泛化能力，在各类现实应用中取得了显著成功。然而，这种成功在很大程度上依赖于大规模、准确标注的训练数据，而在现实场景中，获取此类数据通常代价高昂或难以实现。弱监督学习提供了一种有前景的解决方案，它允许使用不完美监督训练模型，同时保持与全监督方法相当的性能（sugiyama2022machine）。

弱监督学习（WSL）处于监督学习和无监督学习的交叉点。在本章中，我们将主要关注弱监督分类，即仅使用弱监督数据来构建一个二分类

相似文章

决策中的弱到强学习

arXiv cs.LG

本文提出了一种决策感知的弱到强（W2S）学习框架，该框架利用有限的标注数据训练一个弱模型，然后由该模型在未标注数据上生成软监督信号，用于训练一个强模型，以改进上下文随机优化。理论界限和实证实验表明，当弱特征表示与强特征表示之间的相关性较小时，大量未标注数据能够降低下游决策风险。

基于设计的带噪声人工标签监督学习

arXiv cs.AI

提出了部分裁决的基于设计的监督学习（PA-DSL）方法，该方法利用少量已裁决案例纠正噪声人工标签，从而消除自动化分类器的偏差，在实验中实现了名义覆盖度，并将均方根误差（RMSE）降低了10-17%。

使用弱监督的ML驱动的LDAP侦察检测

arXiv cs.LG

本文提出了两个用于检测LDAP侦察攻击的机器学习框架：一个使用弱监督预测恶意查询的ML分类器，以及一个用于挖掘新型恶意签名的统计假设检验方法，实现了实用的检测性能。

面向以对象为中心的视觉推理的弱监督概念学习

arXiv cs.LG

本文提出了一种两阶段的神经符号框架，利用弱监督（仅需 1% 的标签）结合基于 Slot 的变分自编码器（VAE），学习用于以对象为中心的视觉推理的可解释符号，在领域泛化方面优于基础模型。