近年、各サンプルにそのサンプルが属さないクラスの一つを示す「補完ラベル（complementary label）」が付与される、弱教師付き学習フレームワークである「補完ラベル学習」が提案された。しかし、従来の補完ラベル学習手法は、容易に入手可能なラベルなしサンプルや複数の補完ラベルを持つサンプルを活用できず、これらはより豊かな情報源である。本稿では、こうした制約を克服するために、任意の損失関数およびモデルに対して、任意個数の補完ラベルを持つサンプルおよびラベルなしサンプルから分類リスクの不偏推定を可能にする、新たな「多補完ラベル・ラベルなし学習フレームワーク」を提案する。まず、複数の補完ラベルを持つサンプルから分類リスクの不偏推定量を構築し、さらにラベルなしサンプルをリスク定式化に組み込むことで、推定量をさらに改善する。推定誤差の境界を導出することで、提案手法が最適なパラメトリック収束速度を達成していることを示す。最後に、線形モデルおよび深層モデルを用いた実験により、本手法の有効性が検証された。