老师只改了一半作业？聊聊半监督学习这个靠自己悟的套路
先复习俩老伙计：监督和自监督
前面聊过三种学习范式。监督学习最像学生做题：每道题都配好了标准答案，模型照着对、照着学。无监督学习反过来：一股脑把没答案的数据甩给它，让它自己从里头找结构、找规律。这俩各有各的难——监督学习费标注，无标注的数据堆成山却用不上；无监督学习没答案兜底，学出来的东西常常飘。半监督学习，就是盯着这俩的缝儿，想了个「两头沾光」的招。
半监督是啥：少量有答案，大量自己悟
说白了，半监督学习是这么个套路：你手上有一小撮「带答案」的数据，和一大堆「没答案」的数据。它先用那小撮带答案的把模型领进门、定个调，再拿那一大堆没答案的接着练，让模型自己从里头悟规律。就像老师只改了前几本作业打样，剩下的几十本让你照着样自己琢磨。现实里这招特别香，因为标数据又贵又慢，没标的数据却到处都是，不拿来用纯属浪费。
它靠啥能「自己悟」：相近的东西多半一类
你肯定纳闷：没答案它咋学？靠一个朴素假设——挨得近的东西，大概率是一伙的。模型先把所有数据在心里摆成一个个位置，离得近的归拢到一块儿；既然少数几个已经有了标签，它就有理由相信：跟你这标签样本挨得近的陌生样本，八成也是同类。这思路跟前面聊的 K 近邻一个脾气。靠这个「近朱者赤」的假设，模型就能拿少量答案，把一大片没答案的也大致分好类。
常见玩法：先自己分，再拿答案校准
实操里常见两招。一招叫「自我训练」：模型先用带答案的练一版，然后给没答案的数据「自测」，把那些它最有把握的猜测当成「伪答案」加进去继续练，滚雪球似的越滚越大。另一招叫「图约束」：干脆假设相近的样本该有相近的输出，逼着模型在预测时照顾邻居。俩招核心一样——用「近者为邻」这个软规矩，把稀疏的答案稀释到海量无标签数据上。
在哪儿真顶用：标不起数据的场景
这招在标数据贵到肉疼的地方最吃香。比如医学影像，找个专家标一张片子要好半天，可医院里没标的片子海了去；半监督就能拿少量专家标注带路，顺着把大批片子先分个大概。再比如语音，录一段容易、逐字标转录累死人，半监督能省下大把人工。它不追求每一条都精准，而是用少量贵答案撬动大量便宜数据，性价比这块拿捏得死死的。
坑也得说清：假设错了就跟着歪
但它有个软肋：那个「相近即同类」的假设，不是永远灵。万一数据本身乱、噪声大，模型自己悟歪了，还会把错答案当真答案继续练，越练越偏，这叫「确认偏差」放大。所以半监督不是万能药，数据质量稀烂时它比监督学习还容易翻车。咱用的时候得心里有数：答案样本得靠谱、数据得干净，这招才灵；否则还不如老老实实多标点数据。
