一、前言
在前几篇文章中，我们学习了机器学习的两大基本类型：监督学习（Supervised Learning） 与 无监督学习（Unsupervised Learning）。
监督学习依赖大量带标签的数据，适用于分类、回归等任务；
无监督学习则无需标签，常用于聚类、降维、模式发现等问题。
然而，在现实世界中，标注数据往往稀缺而昂贵。例如，为成千上万张医学影像打上疾病标签，需要专业医生的时间与经验；而未标注的数据（例如海量图片、视频、日志信息）却极其丰富。
于是，一种"折中"的方法------半监督学习（Semi-supervised Learning） 应运而生。它结合了监督学习与无监督学习的优势：用少量标注数据引导大量未标注数据学习。
除此之外，还有一种完全不同的学习范式------强化学习（Reinforcement Learning）。它不依赖标签，而是让智能体（Agent）在环境中不断试错，通过"奖励"机制学会最优策略。
本文将详细介绍这两种重要的学习方法，它们构成了现代智能系统的基础。
二、半监督学习（Semi-supervised Learning）
1. 半监督学习的动机
传统的监督学习假设所有数据都有标签，但在许多实际问题中，这个假设并不现实。例如：
-
医学影像识别中，标注一张CT图像可能需要医生几分钟甚至几十分钟；
-
网络安全检测中，确定哪些流量是"恶意攻击"需要人工分析；
-
语音识别中，大量语音数据没有文字转录。
而另一方面，大量未标注数据 往往可以轻易获得。半监督学习的目标，就是通过同时利用少量标注数据 和大量未标注数据，来提升模型的泛化能力。
2. 半监督学习的基本思想
半监督学习的核心假设有三个：
-
平滑假设（Smoothness Assumption）：在特征空间中，距离较近的样本往往属于同一类别。
-
聚类假设（Cluster Assumption）：样本自然分布在若干簇中，同一簇的样本具有相同的标签。
-
流形假设（Manifold Assumption）：高维数据分布在一个低维流形上，模型应学习到这一结构。
利用这些假设，模型可以将少量标注数据的信息"传播"给未标注数据，从而形成更全面的学习。
3. 常见的半监督学习方法
（1）自训练（Self-training）
最早期也是最直观的方法。
-
首先用少量标注数据训练初始模型；
-
然后用模型预测未标注数据的标签；
-
将置信度高的预测结果加入训练集，继续迭代训练。
例如在文本分类中，如果模型对某些未标注新闻的预测置信度达到 95%，则可以将它们作为"伪标签"数据加入下一轮训练。
优点：简单易实现；
缺点：容易积累错误标签（即"伪标签污染"）。
（2）协同训练（Co-training）
由 Blum 和 Mitchell 在 1998 年提出，适用于具有两个独立特征视图的数据。
-
用不同特征视角分别训练两个模型；
-
两个模型互相给对方提供置信度高的伪标签样本；
-
不断迭代，共同提升性能。
常用于网页分类、情感分析等场景。
（3）图半监督学习（Graph-based SSL）
将样本视为图中的节点，节点间的边表示相似度。已标注节点的标签可沿边传播给未标注节点。
代表方法：标签传播（Label Propagation） 、图卷积网络（GCN） 等。
（4）生成模型方法
如基于变分自编码器（VAE）、**生成对抗网络（GAN）**的半监督学习，通过生成模型增强数据分布理解。
（5）现代半监督学习（深度伪标签）
在深度学习时代，Google 提出的 Pseudo Label 、MixMatch 、FixMatch 等算法成为主流。
它们通过数据增强、置信度过滤和一致性正则化（Consistency Regularization）等手段，实现高效的半监督训练。
4. 半监督学习的应用领域
-
医学影像分析（少量医生标注 + 大量未标注图像）
-
网络安全与入侵检测
-
文本分类与情感分析
-
视频动作识别
-
自动驾驶感知系统（未标注图像大量存在）
5. 面临的挑战
-
如何避免伪标签错误的累积？
-
如何度量未标注样本的不确定性？
-
不同分布的数据如何有效融合？
三、强化学习（Reinforcement Learning）
1. 基本概念
强化学习（Reinforcement Learning, RL）是一种完全不同的学习范式。
它不依赖标签，而是通过与环境（Environment）交互，不断试错，以最大化**长期奖励（Reward）**为目标。
强化学习的核心理念可以用一句话概括：
"在试错中学习最优策略。"
常见的类比是：
一个小孩学骑自行车，不会有人告诉他"正确姿势"，而是靠摔倒、调整、再尝试，直到学会平衡。
2. 强化学习的组成要素
一个强化学习系统通常包含以下五个核心组件：
| 组件 | 含义 |
|---|---|
| Agent（智能体） | 学习者或决策者 |
| Environment（环境） | 智能体所处的世界 |
| State（状态） | 当前环境的描述 |
| Action（动作） | 智能体可执行的操作 |
| Reward（奖励） | 执行动作后的反馈信号 |
学习的目标是找到一个最优策略 π，使得智能体获得的累计奖励最大化：
3. 强化学习的主要类型
（1）基于值的方法（Value-based）
通过学习一个"状态-动作"价值函数 ( Q(s,a) )，估计在状态 s 下执行动作 a 的期望奖励。
代表算法：
-
Q-learning
-
Deep Q-Network (DQN) ------ 结合深度神经网络进行价值估计，是 DeepMind 的突破性成果。
（2）基于策略的方法（Policy-based）
直接学习一个策略函数 π(a|s)，即在状态 s 下选择动作 a 的概率。
代表算法：
-
REINFORCE
-
PPO（Proximal Policy Optimization） ------ 被 OpenAI 广泛使用。
（3）Actor-Critic 方法
结合了上述两种思想：Actor 负责输出策略，Critic 负责评估动作的好坏。
代表算法有：A2C、A3C、DDPG 等。
4. 强化学习的经典应用
-
游戏智能体：AlphaGo、AlphaStar、OpenAI Five
-
机器人控制：机械臂操作、自动驾驶导航
-
推荐系统：基于用户反馈动态优化推荐
-
金融交易策略优化
-
能源调度与智能制造
强化学习在需要"长期决策"的问题上展现出巨大潜力。
5. 强化学习的挑战
尽管强化学习成果显著，但在现实落地中仍面临以下难题：
-
样本效率低：需要大量交互才能收敛；
-
探索与利用的平衡：如何在尝试新策略与利用已知最优策略之间权衡；
-
环境复杂性高：真实环境往往噪声大、不可预测；
-
奖励设计困难：定义合适的奖励函数是工程中的关键挑战。
四、半监督学习与强化学习的结合
现代研究趋势正在融合不同学习范式。例如：
-
半监督强化学习（Semi-supervised RL）：利用未标注环境数据辅助策略优化；
-
自监督强化学习（Self-supervised RL）：通过预测未来状态或特征变化来提升策略泛化。
这类方法在自动驾驶、智能机器人中展现出极大潜力。
五、总结
本文介绍了两种重要的机器学习方法：
-
半监督学习：通过少量标注 + 大量未标注数据进行学习，是解决数据稀缺问题的重要方向；
-
强化学习：让智能体通过试错和奖励信号，自主学习最优策略，是构建智能决策系统的核心技术。
两者在现代人工智能中的地位举足轻重，既是理论研究的热点，也是实际应用的关键支撑。