self supervised learning

自监督学习（self supervised learning）是一种让模型先从大量无标注数据中自己构造学习任务、再学到通用表示的方法。它和深度学习、预训练模型以及大语言模型、视觉模型等方向密切相关，常被看作连接无监督学习与有监督学习的一条实用路径。

基本含义与用途

它的核心思路是：不依赖人工打标签，而是从数据本身“挖”出监督信号。比如把一句话遮住一部分让模型猜，或把一张图做变换后让模型判断哪些部分对应，从而逼模型学会词语、图像块之间的规律。学到的表示可以迁移到分类、检测、分割、检索等下游任务，减少对标注数据的依赖，也常用来做预训练起点。

常见问题

普通人容易把它和无监督学习混为一谈：自监督仍然有“监督信号”，只是信号来自数据自动生成，而非人工标注。另一个疑问是“没有标签会不会学不准”——关键在于构造的预训练任务是否与下游目标匹配，以及数据规模和多样性是否足够。此外，自监督预训练通常计算开销较大，微调阶段也需要一定量的标注数据才能稳定评估效果。

怎么判断或怎么选

如果你在选方案，先看任务有没有大量无标注数据可用；再看是否有成熟的开源预训练模型能直接微调，避免从头训练。判断一个自监督方法是否合适，可以关注它构造的预训练任务是否贴近你的数据类型（文本、图像、时序等），以及论文或文档中报告的下游迁移表现是否覆盖你的任务场景。对普通用户来说，优先选生态成熟、文档清晰、能复现的模型，比追新方法更稳妥。