Weakly supervised learning은 완전한 라벨 획득이 어렵거나 불가능할 때 유용한 대안으로 부상했지만, 기존 방법들은 특정 supervision 패턴에 맞춰져 있으며 간접적인 supervision으로 인한 불안정성을 완화하기 위해 사후 보정을 사용합니다. 본 논문은 이러한 사후 조정을 거치지 않고 약하게 감독된 데이터의 구조에 기반한 안정적인 surrogate risk를 직접 공식화하는 통합 프레임워크를 제안합니다. 이 프레임워크는 PU, UU, CLL, PLL, multi-class unlabeled, tuple-based learning 등 다양한 설정을 단일 최적화 목표로 통합합니다. 또한, Rademacher 복잡도를 통해 비점근적 일반화 경계를 설정하여 supervision 구조, 모델 용량 및 샘플 크기가 성능에 미치는 영향을 명확히 합니다. 나아가, class-prior misspecification이 경계에 미치는 영향을 분석하고 그 영향을 정량화하는 명시적 항을 도출하며, 목표 risk를 회복할 수 있는 충분 조건을 제시합니다. 광범위한 실험을 통해 class priors, dataset scales, class counts에서 일관된 성능 향상을 보이며, overfitting에 대한 강건성을 입증합니다.
