在实际应用中，不同的学习和预测错误可能会为同一系统带来不同的成本。 此外，在实践中，成本标签信息通常仅适用于少数训练样本。在半监督环境中，标签传播对于推断未标记培训数据的成本信息至关重要。 现有方法通常在有监督的成本敏感型学习之前独立进行标签传播。 预先计算的标签信息保持固定，这可能在随后的学习过程中变得次优，从而降低了整体系统性能。 在本文中，我们为半监督人脸识别开发了一个统一的成本敏感框架，该框架可以迭代方式共同优化推断的标签信息和分类器。 我们在面部基准数据集上的实验表明，与最新的标签传播