什么是半监督学习？让少量标注数据带动更多未标注数据

半监督学习（Semi-supervised Learning）是一种介于监督学习和无监督学习之间的方法：训练数据中只有一小部分带有明确标签，其余大部分没有标签，但模型会尝试同时利用两者。

它解决的是一个常见现实问题——原始数据很多，但高质量人工标注昂贵、缓慢，或需要专业知识。比如，企业可能有大量图片、录音或文档，却只有少量样本被准确分类。

它和其他学习方式有什么区别？

监督学习依赖完整标签，例如每张图片都标明类别；无监督学习只从未标注数据中寻找结构和模式。半监督学习则用少量可靠标签确定任务方向，再从未标注数据中学习更多分布信息。

关键前提是：未标注数据与目标任务有关，并且标签样本能代表主要类别。如果两者差异很大，额外数据反而可能干扰模型。

常见做法

伪标签

模型先在有标签样本上训练，再为高置信度的未标注样本生成临时标签，将它们加入下一轮训练。为避免错误滚雪球，通常只选择置信度较高的样本，并保留人工抽查。

一致性训练

同一份数据经过轻微扰动后，例如图片裁剪、文本格式变化，模型的预测应保持一致。通过这一约束，模型可以从未标注数据中学到更稳定的表示。

人机协作标注

系统先对大量数据进行预标注或排序，把最不确定、最有价值的部分交给人工确认。这种方式常与主动学习结合，能够把标注预算用在更关键的样本上。

适合哪些场景？

• 图像、语音、文本等原始数据丰富但标注不足的任务；
• 领域专家有限、人工审核成本较高的工作流；
• 需要不断引入新数据，但无法为每条数据及时打标签的系统。

在高风险场景中，未标注数据不能替代严格标注。模型的自动标签应被视为候选信息，而非事实来源。

主要风险

如果初始模型存在偏差，伪标签可能把错误重复放大；类别不平衡时，常见类别也可能淹没少数类别。因此要独立保留验证集，按人群和类别监控表现，并定期抽检自动加入的数据。

小结

半监督学习让团队在标注有限时更充分利用原始数据。它能提高数据效率，但成功依赖可靠的初始标签、严格的质量控制和持续的人工反馈。