![cover image](https://wikiwandv2-19431.kxcdn.com/_next/image?url=https://upload.wikimedia.org/wikipedia/commons/thumb/d/d0/Example_of_unlabeled_data_in_semisupervised_learning.png/640px-Example_of_unlabeled_data_in_semisupervised_learning.png&w=640&q=50)
نظارت ضعیف
From Wikipedia, the free encyclopedia
نظارت ضعیف (به انگلیسی: Weak Supervision) شاخهای از یادگیری ماشین است که در آن منابع نویز دار، محدود یا با دقت پایین برای ایجاد سیگنالهای نظارتی مربوط به برچسب زدن روی حجم انبوهی از دادهٔ آموزش درون یک محیط یادگیری نظارتشده اعمال میشود.[1] این روش هزینههای احتمالیای که لیبل زدن به صورت دستی ایجاد میکند مانند زمانبر بودن را از بین میبرد. به جای این روش برچسبهای ضعیف و درک آن که آنها ناقصند اما میتوانند یک مدل قوی بسازند بهکارگرفته میشوند.[2]
![Thumb image](http://upload.wikimedia.org/wikipedia/commons/thumb/d/d0/Example_of_unlabeled_data_in_semisupervised_learning.png/320px-Example_of_unlabeled_data_in_semisupervised_learning.png)
به خصوص در پردازش زبانهای طبیعی که در آن ما الگوهای بسیاری خاص برای دادهها داریم که باعث میشود یک مدل از پیش آموزش دیده با الگوهای خاص به خوبی عمل نکند، در این مورد نظارت ضعیف به بهبود عملکرد مدل در مورد الگوها کمک میکند.[3][4]