监督学习通过大量带标注的样本来训练模型，其在分类、预测等任务上取得了巨大的成功。但需要注意的是，对很多任务而言，我们获取得到的带标注的数据量比较有限，并且人工标注具有很高的成本，因而研究无监督和少量标注样本监督的学习具有十分重要的意义。我们的研究主要侧重于无监督学习和半监督学习，涉及到的算法包括传统的机器学习和深度学习等。当前在弱监督学习方向的进展主要包括以下三个方面。

一、基于低秩张量学习的多视角聚类算法

单一视角（特征或模态）数据的表达能力有限，综合不同视角的信息（一致性与互补性）可以学习得到更全面的特征表示，进而提升无监督聚类任务的性能。我们基于每个视角计算的邻接矩阵，从低秩张量约束出发学习得到本征表示，大幅度提升了聚类的准确性。

二、基于深度综合相关性挖掘的图像聚类算法

与传统方法相比，深度学习具有更强的特征表示能力，更适合大规模的任务。深度无监督学习的难点在于如何构造弱监督信息对网络进行训练，我们从高置信度图一致性及多视角互信息探究方面出发，构造多种弱监督损失函数指导网络学习，实现了优异性能。

三、半监督分类算法

半监督学习与实际应用场景更为接近，即部分样本的标签是给定的。一方面借助深度卷积神经网络，充分利用给定的少量标注样本，探究学习更具表征能力和判别性的特征表示；其次，探究样本之间的相互关系，通过标注样本推断未标注样本的语义和标签信息，同时考虑提升网络的鲁棒性；另外通过自监督学习构造辅助任务来指导半监督学习。