研究了在没有任何标注数据的情况下，通过多种易于提供的规则作为多种弱监督源，学习神经文本分类器的问题，提出了一种标签降噪器，它使用条件软注意机制估计源的可靠性，然后通过聚合注释的弱标签降低标签噪声，然后使用这些清理过的伪标签来训练神经分类器。在情感，主题和关系分类的五个基准测试上进行了评估，结果表明，该模型始终优于最先进的弱监督和半监督方法，并且即使没有任何标注数据，也可以达到与全监督方法相当的性能水平。

Oct, 2020

本文提出了一种多阶段计算框架，名为 NEEDLE，通过采用弱标签完成、噪声感知丢失函数和有强力标签的最终微调等三种关键要素，有效抑制了弱标签的噪音，提高了 Biomedical NER 的性能。

Jun, 2021

本文提出两种弱监督的跨语言实体标识方法，分别基于注释投影和词嵌入，无需使用目标语言的人工注释数据。同时，我们设计了两种协同解码方案，将两个基于投影的方法的输出相结合，评估表明这种组合性的方法优于其他三种弱监督方法。

Jul, 2017

该研究提出了一种基于弱标注数据的名字标注神经模型，通过使用 Partial-CRFs 等技术，有效地解决了低资源语言或领域中不足的培训数据问题，并在五种低资源语言和细粒度的食品领域上表现出显著的性能和效率改善。

Aug, 2019

本文研究弱监督学习中复杂的训练方法，发现成功的关键在于干净的验证数据，即使只用五个样本的干净数据，已有方法的优势也会被削弱，因此提出了进一步研究方向建议。

May, 2023

本研究提出了一种半监督框架，利用 GPT-2 模型自动构建了大规模数据，并根据估计的标签质量调整模型参数更新，实现 NLG 和 NLU 模型的联合训练，证明在数据稀缺场景下，该弱监督培训范式是一种有效的方法，在 E2E 和天气基准测试上优于基准系统。

Feb, 2021

skweak 是一个基于 Python 的工具包，可应用于各种 NLP 任务，支持弱标注范式，可以使用从领域知识中获得的标注函数自动获取给定数据集的注释，并使用生成模型将结果聚合，以完全无监督的方式应用各种标注函数对文本数据进行分类和序列标注，尤其支持实体识别和情感分析等 NLP 任务。

Apr, 2021

本文提出了一种弱监督的图像注释模型，利用深度神经网络进行特征学习和标注模型，在批次级别上引入视觉一致性、语义依赖和用户误差稀疏等约束来减轻标签噪音， 实现同时优化模型和优化用户提供标签的目的，并在两个基准数据集上取得了最佳性能。

Nov, 2017

本文提出了一种基于约束空间的弱监督学习方法，将不同的弱监督信号结合起来进行训练，在文本分类和图像分类任务中优于其他方法。

Sep, 2020

本文介绍了一种结合少量证据注释和大量文档级别标签的新方法，用于证据提取任务，同时对两个包含证据注释的分类任务进行评估，发现我们的方法优于在解释性文献适用的基线方法。将少至百个证据注释运用到该方法中可得到显著收益。

Nov, 2020