چکيده
روش‌هاي يادگيري ماشين، به خصوص يادگيري عميق، براي آموزش نياز به حجم زيادي داده‌ي آموزشي دارند. هرچه حجم داده‌ي آموزشي بيشتر باشد، امكان بيش‌برازش مدل كمتر مي‌شود. حاشيه‌نويسي داده‌هاي آموزشي اغلب فرآيندي زمانبر و پرهزينه است. به خصوص در حوزه‌ي بينايي ماشين، حاشيه‌نويسي پيكسل به پيكسل تصوير بسيار زمانبر است. به همين دليل در بسياري از موارد، استفاده از نظارت ضعيف بسيار به صرفه است. به اين دليل كه نظارت ضعيف، هم زمان و هزينه‌ي برچسب زدن را كاهش مي‌دهد و هم امكان استفاده از داده‌هاي بيشتري را فراهم مي‌كند.
انواع روش نظارت در مجموعه‌ي نظارت ضعيف وجود دارد كه سه مورد از اين روش‌هاي نظارتي در اين گزارش تشريح و بررسي مي‌گردد. اين روش‌ها عبارتند از نظارت ناكامل، نظارت غير دقيق و نظارت نامطمئن. در نظارت ناكامل، تعداي از نمونه‌هاي آموزشي، داراي برچسب و تعداد بسيار زيادي بدون برچسب هستند. در نظارت غير دقيق، حاشيه‌نويسي نمونه‌هاي آموزشي، نسبت به خروجي مدل از اطلاعات و جزئيات كمتري برخوردار است. در نظارت نامطمئن، امكان وجود خطا در حاشيه‌نويسي نمونه‌هاي آموزش وجود دارد. در هر كدام از اين نظارت‌ها، چند مدل و الگوريتم بررسي مي‌گردد كه مي‌توانند تحت نظارت مطرح شده آموزش داده شوند.
