文章給的定義是： 數(shù)據(jù)集的標簽是不可靠的，如（x，y），y對于x的標記是不可靠的。這里的不可靠可以是標記不正確，多種標記，標記不充分，局部標記等。

在實際應用中的學習問題往往以混合形式出現(xiàn),如多標記多示例、半監(jiān)督多標記、弱標記多標記等。針對監(jiān)督信息不完整或不明確對象的學習問題統(tǒng)稱為弱監(jiān)督學習。

弱監(jiān)督學習可以看做是有多個標記的數(shù)據(jù)集合，次集合可以是空集，單個元素，或是多個元素，分別對應x沒有標記，有一個標記，和有多個標記三種情況。在此統(tǒng)一聲明為一個標記的集合。

在實際的使用中多標記的使用是很常見的，在圖像文本語音中是很容易找到多個標記的。

舉個圖像中的例子：

一般機器學習算法，每一個訓練樣本都需要類別標號（對于二分類：1/-1）。實際上那樣的數(shù)據(jù)其實已經(jīng)經(jīng)過了抽象，實際的數(shù)據(jù)要獲得這樣的標號還是很難，圖像就是個典型。還有就是數(shù)據(jù)標記的工作量太大，我們想偷懶了，所以多只是給了正負樣本集。負樣本集里面的樣本都是負的，但是正樣本里面的樣本不一定都是正的，但是至少有一個樣本是正的。比如檢測人的問題，一張?zhí)炜盏恼掌涂梢允且粋€負樣本集；一張某某自拍照就是一個正樣本集（你可以在N個區(qū)域取N個樣本，但是只有部分是有人的正樣本）。這樣正樣本的類別就很不明確，傳統(tǒng)的方法就沒法訓練。

那么問題來了：圖像的不是有標注嗎？有標注就應該有類別標號??？這是因為圖片是人標的，數(shù)據(jù)量特大，難免會有些標的不夠好,這就是所謂的弱監(jiān)督集（weaklysupervisedset）。所以如果算法能夠自動找出最優(yōu)的位置，那分類器不就更精確嗎？ 標注位置不是很準確，比如自行車的車輪的位置，是完全沒有位置標注的，只知道在boundingbox區(qū)域附近有一個車輪。

弱監(jiān)督學習多用在多標記的數(shù)據(jù)上，感興趣的可以去看一下：

《Weakly superviseddiscriminativelocationandclassification:ajointlearningprocess》

總結

以上是生活随笔為你收集整理的概念：弱监督学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。