2025_NIPS_A Graph-Theoretic Framework for Understanding Open-World Semi-Supervised Learning

文章核心总结与创新点

核心内容

文章聚焦开放世界半监督学习问题，提出了一套图论框架来填补该领域理论空白。开放世界半监督学习需利用已知类别的有标签数据，对包含已知类和新类的无标签数据进行聚类与分类。文章通过构建融合监督信号和自监督信号的图结构，将学习过程转化为图因子分解问题，提出SORL（谱开放世界表示学习）算法，并从理论上推导了聚类性能的误差边界，揭示了有标签数据对聚类效果的影响条件——当某类与有标签数据的连接强度大于其自聚类能力时，聚类误差会显著降低。实证方面，SORL在CIFAR-10/100数据集上表现优于或持平现有基线方法。

创新点

1. 提出首个针对开放世界半监督学习的图论理论框架，将聚类过程通过图分解进行理论刻画，明确了有标签数据的作用机制。
2. 推导了可证明的误差边界，量化了有标签数据对已知类和新类聚类性能的影响，给出聚类性能提升的充分条件。
3. 设计SORL算法，其损失函数最小化等价于图的谱分解，支持深度网络端到端训练，兼顾理论保障与实用价值。
4. 实证验证了框架的有效性，在标准基准数据集上取得竞争性结果，同时为其他对比学习方法提供了统一的图论分析视角。

---

文章关键部分翻译（Markdown格式）

Abstract（摘要）

开放世界半监督学习旨在利用来自已知类别的有标签数据集的先验知识，推断无标签数据中的已知类和新类。尽管该问题具有重要意义，但目前缺乏相应的理论