نُحسّن خوارزمية التعلم شبه المراقبة المُقترحة حديثًا باسم "MixMatch" من خلال إدخال تقنيتين جديدتين: محاذاة التوزيع وربط التحويلات. تُشجّع محاذاة التوزيع على قرب التوزيع الحدي للتنبؤات على البيانات غير المُعلَّمة من التوزيع الحدي لعلامات الحقائق المطلقة. أما ربط التحويلات، فيُدخل نسخًا متعددة ومُقوّاة بشدة من مُدخل معين إلى النموذج، وتشجع كل نتيجة على الاقتراب من التنبؤ بالنسخة الضعيفة من نفس المُدخل. ولإنتاج تحويلات قوية، نُقدّم نسخة معدلة من AutoAugment، والتي تتعلم سياسة التحويل أثناء تدريب النموذج. تُسمّى خوارزميتنا الجديدة "ReMixMatch"، وهي أكثر كفاءة من حيث استخدام البيانات مقارنة بالعمل السابق، حيث تتطلب بين 5 إلى 16 مرة أقل من البيانات للوصول إلى نفس الدقة. على سبيل المثال، على مجموعة CIFAR-10 باستخدام 250 مثالًا مُعلّمًا، نصل إلى دقة 93.73% (مقابل دقة MixMatch البالغة 93.58% باستخدام 4000 مثالًا مُعلّمًا)، ونحقق متوسط دقة قدره 84.92% باستخدام فقط أربعة أمثلة مُعلّمة لكل فئة. نُزوّد الكود والبيانات المُستخدمة مفتوحة المصدر عبر الرابط: https://github.com/google-research/remixmatch.