في هذا العمل، نقترح نهجًا شبه مشرف بسيطًا ومعتمدًا يُسمى تطابق التوزيع المعزز (Augmented Distribution Alignment). نكشف عن وجود انحياز عيني أساسي في التعلم شبه المشرف نتيجة لقلة عدد العينات المصنفة، مما يؤدي غالبًا إلى اختلاف كبير في التوزيع التجريبي بين البيانات المصنفة والبيانات غير المصنفة. بهدف تخفيف هذا الانحياز، نقترح مواءمة التوزيعات التجريبية للبيانات المصنفة وغير المصنفة. من ناحية، نعتمد استراتيجية التدريب المعادية لتقليل المسافة بين توزيع البيانات المصنفة وتوزيع البيانات غير المصنفة، مستوحاةً من أعمال التكيف بين المجالات. ومن ناحية أخرى، للتعامل مع مشكلة حجم العينة الصغير للبيانات المصنفة، نقترح أيضًا استراتيجية تقريب بسيطة لإنشاء عينات تدريب وهمية. يمكن تنفيذ هاتين الاستراتيجيتين بسهولة في الشبكات العصبية العميقة الحالية. نوضح فعالية النهج المقترح على مجموعتي بيانات SVHN وCIFAR10 القياسيتين. الرمز البرمجي متاح على الرابط \url{https://github.com/qinenergy/adanet}.