Cet article propose une vision originale et globale de l'Apprentissage Faiblement Supervisé, menant à la conception d'approches génériques capable de traiter tout type de faiblesses en supervision. Un nouveau cadre appelé “Données Biqualité" est introduit, qui suppose qu'un petit jeu de données fiable d'exemples correctement étiquetés est disponible, en plus d'un jeu de données non fiable comprenant un grand nombre d'exemples potentiellement corrompus. Dans ce cadre nous proposons un nouveau schéma de repondération capable de détecter les exemples non corrompus du jeu de données non fiable. Cet algorithme permet d'apprendre des classifieurs sur les deux jeux de données. Nos expériences simulant plusieurs types de bruits d'étiquetage démontrent empiriquement que l'algorithme proposé sur-performe l'état de l'art.