深度分析 無分布假設下的半監督學習：線性風險組合與變異最小化 半監督學習因標記成本高而受矚目，但多數方法依賴資料分布假設，如流形或叢集假設，若假設不成立會導致效能下降。本文提出一套通用的風險重寫框架，透過線性組合各類風險構建無偏估計子，既涵蓋既有的 PNU 方法，也自然延伸至多類別情境，並在一般與非對稱損失下推導出可達到的最小變異下界，證明在不對稱損失時可優於 PNU。
