近日，实验室2021级博士生何润东一篇论文“SAFER-STUDENT for Safe Deep Semi-Supervised Learning with Unseen-Class Unlabeled Data”（作者：何润东，韩忠义，卢宪凯，尹义龙）被CCF A类期刊IEEE Transactions on Knowledge and Data Engineering (TKDE)录用，影响因子为 9.235。TKDE是国际人工智能数据挖掘顶尖和权威学术期刊之一。

深度半监督学习（SSL）方法旨在利用丰富的未标记数据来改善可见类的分类。然而，在开放世界的情况下，收集的未标记数据往往包含不可见类的数据，这将降低可见类分类的性能。一个直观的解决方案是在SSL过程中检测到这些不可见类的实例后将其删除。然而，由于缺乏合适的评分函数、未校准的模型和标注数据稀少，不可见类的识别的性能受到限制。为此，我们提出了一种安全的SSL方法，称为SAFER-STUDENT。首先，为了提高教师模型识别可见类和不可见类数据的能力，我们提出了一个通用的评分框架(DR)。第二，基于教师模型从未标记的数据中挖掘出的不可见类数据，我们通过新提出的不可见类能量约束校准（UEC）损失来校准学生模型。第三，基于教师模型从未标记数据中挖掘出的可见类数据，我们提出了加权确认偏差消除（WCBE）损失来提高学生模型的可见类分类。广泛的研究表明，SAFER-STUDENT明显优于最先进的方法，验证了我们的方法在这个未被充分开发的问题上的有效性。