本文提出半监督分类框架QLDS，基于低密度分离假设，通过二次边界最大化实现，具有显式解。该框架统一了最小二乘支持向量机、谱聚类及半监督图方法，并利用随机矩阵理论推导分类误差，给出超参数选择策略。实验表明，QLDS计算高效且性能优于交叉验证。

该文介绍了一个用于分析高维情况下基于低密度分离假设的半监督分类的理论框架。作者提出了QLDS，一个具有显式解和丰富理论性质的线性分类模型，并利用随机矩阵理论推导了分类误差的理论评估和超参数选择策略。实验结果表明，QLDS在计算效率更高的同时，在超参数选择上优于交叉验证。