半监督学习是一类机器学习方法,通过同时利用少量带标签数据和大量无标注数据来训练模型,从而在标注成本高昂的场景下逼近全监督性能。它正处于深度学习与大规模预训练结合的活跃期,伪标签、一致性正则化等核心技术仍在持续演进。
半监督学习的近期研究进展
当前焦点与观察点
当前半监督学习的讨论集中在三个方向。其一是伪标签噪声控制,如何避免模型将自身错误固化,仍是决定方法上限的关键;其二是与预训练大模型的融合,SAM、DINOv3 等基础模型作为骨干后,无标注数据的利用方式正从“从头学习表征”转向“微调与适配”;其三是开放世界假设下的鲁棒性,如广义类别发现中的类别错配问题,促使社区反思现有评测基准是否真实反映落地场景。
值得观察的趋势是应用驱动明显增强:医疗影像、分子科学等标注昂贵但数据充足的领域成为半监督学习的主要试验场,而智能体场景的引入可能进一步改变该领域的评价方式。争议方面,学界对半监督方法在分布偏移下是否仍优于纯预训练方案尚无一致结论,实际部署前仍需结合具体数据分布验证。