想象医生更容易把拿不准的病例留空。此时，“没有诊断标签”并非随机遗漏，而是在暗示：这个病例可能靠近两类之间的分界线。Wang、Wu 与 McLachlan 研究的正是这种半监督分类——用少量有标签样本和大量无标签样本训练分类器——并提醒我们，常见方法若只利用无标签样本的特征，就可能漏掉一条现成线索。
论文最关键的一步，是把 Fisher 信息——数据对模型参数提供的精确信息——拆成两部分：部分标签原本提供的信息，以及“为何缺失”这一机制额外带来的信息。模型设定正确时，后者是非负的；换句话说，若标注是否缺失取决于分类器的不确定性，缺失指示本身也能帮助估计决策边界。作者还讨论了标签模型和缺失机制都可能设错时的稳健协方差分析。
边界也很重要：作者称，在相同标注预算下，这类机制可能优于随机留空或普通全标注基线，但信息量不能超过同时观察全部标签和缺失机制指示的“增强实验”。论文以 Gaussian mixture 和内镜诊断案例作说明；现有材料未给出具体提升数字。