我们提出了一种新的正未标化学习框架，通过预定义无关的表示学习来学习特征空间，并采用伪标记技术进行未标注样本分类。该方法在多个标准正未标化基准数据集上表现优异，无需先验知识或类先验估计。我们提供了简单的理论分析，解释了算法的动机，并为方法建立了泛化保证。

该研究提出了一种新的正未标化学习框架，通过预定义无关的表示学习来学习特征空间，并利用伪标记技术将未标注样本进行分类。该方法在多个标准数据集上表现优于现有方法，且不需要先验知识或类先验的估计。研究还提供了理论分析和泛化保证。

本研究介绍了一种自我训练框架（ST-SGG），通过利用未标注的三元组来缓解场景图生成模型在长尾问题上的困扰。同时提出了一种新型伪标记技术（CATM）和图结构学习器（GSL），对现有场景图生成模型具有益处。实验证明ST-SGG在各种场景图生成模型中有效，特别是在细粒度谓词类的性能提升方面。