未标记的数据出现在许多域中，并且与流应用程序特别相关，即使数据丰富，标记的数据也很少见。要解决与此类数据相关的学习问题，人们可以忽略未标记的数据，而只专注于标记的数据（监督学习）；使用标记的数据并尝试利用未标记的数据（半监督学习）；或假设可以根据要求提供一些标签（主动学习）。第一种方法是最简单的，但是可用的标记数据量将限制预测性能。第二个依赖于查找和利用数据分布的基本特征。第三个取决于外部代理以及时提供所需的标签。本调查特别注意在半监督环境中利用未标记数据的方法。我们还讨论了延迟的标签问题，这会影响完全监督和半监督的方法。我们提出一个统一的问题设置，讨论学习保证和现有方法，解释相关问题设置之间的差异。最后，我们审查当前的基准测试实践，并提出改编以增强它们。