В настоящее время теория и методы машинного обучения (МО) быстро развиваются и все шире используются в различных областях науки и техники, в частности в производстве, образовании и медицине. Слабо контролируемое обучение – это часть исследований в области машинного обучения, направленная на разработку моделей и методов анализа различных типов информации. При формулировании задачи обучения со слабо контролируемой обучением предполагается, что некоторые объекты в модели определены неправильно. Эту неточность можно понимать по-разному. Слабо контролируемое обучение – это тип метода машинного обучения, при котором модель обучается с использованием неполных, неточных или неточных сигналов наблюдения, а не с использованием полностью проверенных данных. Слабо контролируемое обучение часто возникает в реальных задачах по разным причинам. Это может быть связано с высокой стоимостью процесса маркировки данных, низкой точностью датчиков, недостатком опыта экспертов или человеческой ошибкой. Например, маркировка плохого контроля осуществляется в случаях, полученных методами краудсорсинга: для каждого объекта имеется набор различных оценок, качество которых зависит от мастерства исполнителей. Другой пример – проблема обнаружения объекта на изображении. Ограничительные линии – это распространенный способ указания местоположения и размера объектов, обнаруженных на изображении, в задачах обнаружения объектов. В статье представлен алгоритм решения многокритериальной задачи слабо контролируемой регрессии с использованием метрики Вассерштейна, различной регуляризации и матрицы коассоциации в качестве матрицы подобия. В работе также был усовершенствован алгоритм расчета средневзвешенной матрицы коассоциаций. Мы сравниваем предложенный алгоритм с существующими алгоритмами обучения с учителем и обучения без учителя на синтетических и реальных данных.