نقدّم "ميتا بايرو لابلز" (Meta Pseudo Labels)، وهي طريقة لتعلم نصف مراقب (Semi-Supervised Learning) تحقق دقة أعلى في التصنيف الأولي (Top-1 Accuracy) على مجموعة بيانات ImageNet تبلغ 90.2%، أي بفارق 1.6% أفضل من أفضل النتائج المُحققة سابقًا. وتشبه طريقة "ميتا بايرو لابلز" طريقة "بايرو لابلز" (Pseudo Labels) من حيث استخدام شبكة "مُدرّس" (Teacher Network) لإنشاء تسميات وهمية (Pseudo Labels) على البيانات غير المُعلَّمة، بهدف تدريس شبكة "مُتعلّم" (Student Network). ولكن على عكس طريقة "بايرو لابلز" التي تُبقي المُدرّس ثابتًا، فإن المُدرّس في "ميتا بايرو لابلز" يتم تعديله باستمرار بناءً على مُدخلات التغذية المرتدة (Feedback) من أداء المُتعلّم على مجموعة البيانات المُعلَّمة. وبهذا، يُنتج المُدرّس تسميات وهمية أكثر دقة لمساعدة المُتعلّم على التعلُّم بشكل أفضل. ستكون الشيفرة المصدرية متوفرة عبر الرابط التالي: https://github.com/google-research/google-research/tree/master/meta_pseudo_labels.