为现代机器学习标记数据既昂贵又费时。潜在变量模型可用于从对未标记数据进行操作的较弱，更易于获取的来源推断标签。还可以使用标记的数据来训练此类模型，从而提出一个关键问题：用户应该投资很少的标记点还是很多未标记的点？我们通过一个以矩量法潜在变量估计中的模型错误指定为中心的框架来回答这个问题。我们的核心结果是泛化误差的偏差-方差分解，这表明仅未标记的方法在错误指定的情况下会产生额外的偏差。然后，我们引入一种校正，在某些情况下可证明消除了这种偏差。我们将分解框架应用于三种情况-规格明确，规格错误，和修正的模型-1）在标记和未标记的数据之间进行选择，以及2）从它们的组合中学习。我们从理论上和通过综合实验观察到，对于特定模型，标记点比未标记点的价值要高一个常数。但是，由于规格不正确，由于存在额外的偏差，它们的相对值会更高，但可以通过校正降低它们的相对值。我们还将应用我们的方法来研究现实世界中用于数据集构建的弱监督技术。



"点击查看英文标题和摘要"