与传统的分类范式中每个训练样本都赋予真实类别不同，互补标签学习仅使用带有互补标签的训练样本，这些标签仅指明该样本不属于的某一类。本文的目标是推导出一种新的互补标签学习框架，该框架包含一个无偏估计器，用于估计任意损失函数和模型下的分类风险——所有现有的方法均未能实现这一目标。这不仅对学习阶段有益，还使得在无需任何常规标记验证数据的情况下，可以通过交叉验证进行模型/超参数选择成为可能，同时适用于任何线性/非线性模型或凸/非凸损失函数。我们进一步通过非负校正和梯度上升技巧改进了风险估计器，并通过实验展示了其优越性。