本文探讨了积极未标记学习（PU）和消极未标记学习（NU）在网络安全中的应用，强调其在入侵检测和漏洞管理等领域的优势，尤其在标记数据不足的情况下，并提出了应对挑战的解决方案和未来研究方向。

该文介绍了一种新的鲁棒性正例与未标记学习方法，通过训练策略改善标签不确定性的影响并提高学习的准确性和稳定性。该方法利用一种新颖的“困难度”度量来区分未标记样本，并通过迭代式训练策略在训练过程中细化选择负例样本，从而在训练的早期阶段包含更多“易样本”。