半監督學習（SSL）是機器學習的核心正規化之一，旨在利用少量標註資料和大量未標註資料來提升模型的泛化能力。傳統的半監督學習方法通常依賴於資料分佈假設，例如流形假設或聚類假設，然而當這些假設在實際資料中不成立時，方法的效能會顯著下降。PNU學習作為一種基於風險重寫的無分佈方法，雖然不依賴於分佈假設，但它僅限於二分類問題，而且其方差的最優性尚未得到嚴格的理論證明。
針對這些侷限性，來自日本的研究團隊在近期被UAI 2026接收的論文中提出了一種廣義無分佈半監督學習框架。該框架的核心思想是透過線性組合多個分量風險來構造無偏的風險估計器，從而不僅涵蓋了PNU學習作為特例，而且成功將其擴充套件到了多類分類場景。研究者推導了該估計器能夠達到的最小方差，並證明了在面對非對稱損失函式時，所提出的估計器可以比PNU學習獲得更低的方差。這一理論突破為無分佈SSL提供了更堅實的數學基礎。
進一步，該團隊建立了泛化誤差界，直接揭示了方差降低如何轉化為學習效能的提升。基於這些理論洞見，他們設計了兩種實用的半監督學習演算法。這兩種方法在標準的二分類和多分類基準資料集上進行了廣泛測試，實驗結果表明，它們不僅能夠匹配現有最先進SSL方法的效能，在多個場景下甚至取得了超越性結果。所有實驗均使用了公開資料集，並提供了詳盡的超引數設定和程式碼復現說明。
這項工作的意義在於，它為半監督學習提供了一種不依賴分佈假設的通用解決方案，理論上保證了在更廣泛的應用場景中具有魯棒性。論文已被人工智慧領域頂級會議UAI 2026錄用，並計劃於2026年7月11日提交至arXiv。研究程式碼和預印本已在arXiv上公開，社群有望在近期看到更多的後續改進和應用擴充套件。該工作對推動無分佈學習理論的發展以及降低半監督學習在實際部署中的調參成本具有重要價值。