- 监督学习（Supervised Learning）：利用大量的标注数据来训练模型，模型最终学习到输入与输出标签之间的相关性。
- 半监督学习（Semi- supervised Learning）：利用少量有标签数据和大量无标签数据来训练模型。常用做法是先用有标签数据（较小规模的）训练一个Teacher模型，再用这个模型对无标签数据（较大规模的）预测伪标签，作为Student模型的训练数据；
- 无监督学习（Unsupervised Learning）：不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，如聚类、降维。
- 自监督学习（Self- supervised Learning）：利用代理任务（pretext task）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征， 如对比学习。
- 弱监督（Weakly Supervised Learning）：可以分为不完全监督（Incomplete supervision），不确切监督（Inexact supervision），不精确监督（Inaccurate supervision）。不完全监督是指，训练数据中只有一部分数据被给了标签，有一些数据是没有标签的；不确切监督是指，训练数据只给出了粗粒度标签。我们可以把输入想象成一个包，这个包里面有一些示例，我们只知道这个包的标签，Y或N，但是我们不知道每个示例的标签；不精确监督是指，给出的标签不总是正确的，比如本来应该是Y的标签被错误标记成了N。
注：其实现在很多论文里对自监督和无监督已经不做区分。