يُعد التعلّم باستخدام العلامات الضوضائية تحديًا شائعًا في التعلّم المراقب. غالبًا ما تتطلب الطرق الحالية من الممارسين تحديد معدلات الضوضاء، أي مجموعة من المعاملات التي تتحكم في شدة الضوضاء في العلامات ضمن المشكلة، ويُفترض عادةً أن هذه المعاملات معطاة مسبقًا، أو تُقدّر باستخدام خطوات إضافية. في هذه الدراسة، نقدّم عائلة جديدة من دوال الخسارة نسميها "دوال الخسارة الشريكة" (peer loss functions)، التي تتيح التعلّم من علامات ضوضائية دون الحاجة إلى تحديد معدلات الضوضاء مسبقًا. تعمل دوال الخسارة الشريكة ضمن الإطار القياسي لتصغير المخاطر التجريبية (ERM). ونُظهر أن، تحت ظروف معتدلة، فإن تنفيذ ERM باستخدام دوال الخسارة الشريكة على مجموعة بيانات ملوثة يؤدي إلى فئة تصنيف مثلى أو قريبة من المثلى، وكأننا نُنفّذ ERM على بيانات تدريب نظيفة، والتي لا يمكننا الوصول إليها. ونُكمّل نتائجنا بمجموعة واسعة من التجارب. توفر دوال الخسارة الشريكة طريقة لتبسيط تطوير النماذج عند مواجهة علامات تدريب محتملًا ملوثة، ويمكن الترويج لها كخيار مقاوم وموثوق لدالة الخسارة في مثل هذه الحالات.