Hub for Outliers, Spokes for Inliers：面向双重失配半监督学习的均匀隐空间构建

针对半监督学习中标注与未标注数据在类别分布和标签空间上双重失配的问题，研究者提出 hub-spoke 隐空间几何结构，让已知类均匀分布在中心 hub 周围并各自围绕原型形成紧凑簇，hub 同时作为高不确定性未知类样本的低证据区域锚点。该方法结合基于证据的分类器，通过结构化特征组织缓解多数类主导，提升特征判别力与不确定性分离能力。实验显示其优于现有 SOTA 方法，在不同设置下最高提升 3.25%。