在传统的半监督学习（SSL）方法中，通常依赖于分布假设，但当这些假设被违反时，性能会显著下降。尽管风险重写方法 PNU 学习提供了一种无分布假设的替代方案，但其仅限于二分类且方差最优性尚不明确。本文提出了一种广义框架，通过组件风险的线性组合构建无偏风险估计器，涵盖了 PNU 学习，并扩展到多分类问题。
我们推导出可达到的最小方差，证明了在不对称损失场景下，我们的估计器能够实现比 PNU 更低的方差。此外，我们建立了一个推广界，直接将这一方差减少与学习性能的提升联系起来。基于这些理论见解，我们还引入了两种实用的 SSL 方法，经过实证验证在二分类和多分类基准上匹配或超越现有方法。
博主点评： 本文通过构建无偏风险估计器，创新性地解决了传统 SSL 方法对分布假设的依赖，且提供了理论支持与实证结果，具有重要的学术和应用价值。