標準的な分類パラダイムでは、各訓練パターンに真のクラスが与えられますが、補完ラベル学習では、各訓練パターンに補完ラベルのみが付与されます。この補完ラベルは、パターンが属さないクラスのうちの1つを指定するだけです。本論文の目的は、任意の損失関数やモデルに対して、分類リスクの無偏推定量を持つ新しい補完ラベル学習フレームワークを導出することです。既存の方法では、この目標を達成できていません。このフレームワークは学習段階に有益であるだけでなく、通常のラベル付き検証データなしでモデル/ハイパーパラメータ選択（クロスバリデーションを通じて）も可能にします。線形/非線形モデルや凸/非凸損失関数を使用する場合でも同様です。さらに、リスク推定量を非負修正と勾配上昇法によって改善し、実験を通じてその優位性を示しました。