以大ML模型的预测结果训练轻量ML模型的技术名称是什么？

• 核心技术名称：伪标签学习（Pseudo-Labeling）
  这种方法的核心逻辑是借助性能较强的模型（你的大型ML模型）为数据生成"伪标签"，随后直接用这些带伪标签的数据集训练轻量化模型，属于离线训练流程，无需在学生模型训练阶段持续调用教师模型。
• 与知识蒸馏的关键区别：
  知识蒸馏是在线联合训练——训练学生模型时，会同时让模型拟合真实标签（若有）和教师模型输出的软标签（logits分布），通过额外的相似度损失让学生学习教师的"暗知识"；而你的场景是先完成教师模型的伪标签生成，再独立训练学生模型，仅使用教师输出的硬标签作为训练目标，这是两者最核心的差异。
• 补充：部分文献也会将这类场景称为标签蒸馏（Label Distillation），但伪标签学习是更通用、更易检索到的术语，适合在arXiv上作为关键词搜索相关论文。

内容的提问来源于stack exchange，提问作者neon5480