尽管近些年来，人脸识别取得了相当可观的成绩，但它在很大程度上依赖于大规模的标记数据来训练高容量的深度卷积神经网络。收集更大的标记数据集以进一步提高性能是不切实际的，这需要繁重且昂贵的标注工作。同时，现实中存在许多未标记的人脸图像。联合使用有限的标记数据和大量的未标记数据来获得更高的性能增益，这一任务是具有挑战性但有前景的，它同时也是半监督学习的目标。
    本文提出了一种自底向上的方法，即自适应邻域感知注意力网络，用于半监督开集场景下的人脸识别。它包含基于邻域感知注意力网络的协同关系预测和基于异常邻居检测的自适应邻域建图。基于邻域感知注意力网络的协同关系预测，是判断两个节点的连接关系，并依据这些关系来将未标记的人脸图像聚类， 其中邻域被定义为以给定样本为中心的n阶自我中心网络。考虑到邻居节点在计算中的不同重要性，本文采用图注意力机制来学习中心节点的特征表示。在人脸数据集 MegaFace 和 IJB-A 上的实验结果表明，提出的方法都有效提高了基准模型的性能。
    除此之外，本文在上述框架中还引入了异常邻居检测分支，以适应性地为每个节点构建不同尺寸的自我中心网络，旨在解决在人脸识别场景下常见的样本类别数量不平衡问题。这个设计在保证邻域信息丰富的前提下，减少了中心节点特征受到噪声的干扰程度。在人脸识别数据集 MegaFace 和 IJB-A 上的实验结果表明，模型对噪声更加鲁棒，能够获得更好的性能。