The Innovation Informatics | 当“缺失标签”变成宝：半监督学习中的信息悖论与AI时代的数据学习新范式

背景：在许多实际标注任务中，标签的缺失并非随机，而是倾向于选择容易判断的样本先标注，导致难样本更可能未被标注。研究目的：本文旨在从统计视角揭示“信息型缺失”在半监督学习中的作用，探讨为何在特定条件下部分标注数据反而可能比完全标注数据更具信息量。结论：研究发现，当缺失机制被正确建模时，部分标注数据通过缺失模式额外揭示了决策边界附近的不确定性结构，从而可能提升模型性能。这一发现为FixMatch等主流深度半监督学习方法提供了统一解释，并指出高效学习依赖于数据结构与标注行为之间的关系。未来研究可进一步探索缺失机制与深度模型的联合建模，并在医学影像、地球科学等高价值应用中验证其潜力。