Naukowcy z arXiv opublikowali artykuł z nową metodą uczenia półnadzorowanego, która eliminuje wymóg założeń o rozkładzie danych - problemu nie rozwiązywanym dotychczas w tej skali. Zamiast polegać na założeniach dotyczących rozkładu danych, zespół zaproponował uogólnioną ramę teoretyczną konstruującą nieobciążone estymatory ryzyka poprzez liniowe kombinacje składników ryzyka.
Klucze dla innowacji leży w rozszerzeniu podejścia PNU learning, które było limitowane do klasyfikacji binarnej. Nowa metoda obejmuje klasyfikację wieloklasową i wykazuje teoretycznie, że estymator może osiągnąć mniejszą wariancję niż PNU w scenariuszach ze stratami asymetrycznymi. Badacze wyprowadzili również matematyczne granice generalizacji bezpośrednio powiązane z redukcją wariancji i poprawą wydajności modelu.
Opracowane na bazie tych wyników teoretycznych dwie praktyczne metody półnadzorowanego uczenia wykazały w eksperymentach wyniki dorównujące lub lepsze od istniejących podejść zarówno dla zadań binarnych, jak i wieloklasowych. To poszerzenie dostępnych narzędzi dla uczenia półnadzorowanego, szczególnie przydatne w sytuacjach, gdzie założenia tradycyjnych metod mogą być naruszane.