半监督学习：用少量标签撬动大数据

半监督学习介于监督与无监督之间：用少量有标签数据加大量无标签数据一起训练。它针对的是标注成本高、但原始数据充足的现实困境。

半监督学习体现了一种很实用的工程哲学：不追求完美条件，而是用现有资源做到最好。现实中几乎没有项目能拿到理想中的标注数据，如何在“数据不完美”的前提下做出可用的模型，才是真正的核心竞争力。

## 核心要点

图片来源：Openverse / Andrew Mason（https://www.flickr.com/photos/34754790@N00/13998109）

1. 核心假设是相似的数据点往往有相似标签。

2. 自训练、协同训练是常见策略：用模型给无标签数据打伪标签。

3. 在工业缺陷检测等标注昂贵的场景很有价值。

4. 效果通常明显优于纯无监督，接近全监督但成本低得多。

图片来源：Openverse / morrisonbrett（https://www.flickr.com/photos/22183514@N00/19799056499）

## 写在最后

以上是关于「半监督学习」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。