Weak Supervision reprezintă o abordare în învățarea automată în care modelele sunt antrenate pe date etichetate parțial, incorect sau cu un grad redus de certitudine, în locul seturilor de date complet și corect etichetate manual. Această metodă utilizează surse de informație precum etichetări automate, reguli euristice, surse de date publice sau agregări din mai mulți anotatori, pentru a reduce costurile și timpul necesar procesului de etichetare. Deși aceste etichete pot conține erori sau ambiguități, volumul mare de date și tehnicile de corectare statistică pot compensa lipsa de precizie individuală.
Scopul Weak Supervision este de a permite dezvoltarea de modele performante în contexte în care obținerea unui set de date perfect etichetat este costisitoare sau impracticabilă. Tehnicile asociate implică adesea combinarea și ponderarea surselor multiple de etichetare, utilizarea modelelor de învățare semi-supervizată și integrarea mecanismelor de curățare automată a datelor.
