تُستخدم الطرق الحديثة المتقدمة في التعلم شبه المُشرَّف (SSL) بشكل أساسي مزيجًا من التحويلات القائمة على الصور والتنظيم التماسكي كعناصر أساسية. ومع ذلك، فإن هذه الطرق محدودة بتحويلات بسيطة مثل التحويلات التقليدية للبيانات أو التوليفات الخطية لصورة واحدة مع أخرى. في هذا البحث، نقترح طريقة مبتكرة لتحسين وتوسيع التحويلات القائمة على الميزات، تُنتج مجموعة متنوعة من التحويلات المعقدة. ويشكل هذا الجوانب المهمة أن هذه التحويلات تستخدم أيضًا معلومات من تمثيلات نموذجية داخل الفئة وعبر الفئات، التي نستخلصها من خلال تجميع البيانات. ونستخدم الميزات التي تم حسابها مسبقًا عبر التكرارات، وذلك عن طريق تخزينها في بنك ذاكرة، مما يُقلل الحاجة إلى حسابات إضافية كبيرة. ثم تُستخدم هذه التحويلات، بالجمع مع التحويلات التقليدية القائمة على الصور، كجزء من دالة الخسارة القائمة على التماسك. ونُظهر أن طريقة العمل لدينا تُحقق أداءً مماثلًا للحالة الراهنة في المجموعات الصغيرة من البيانات (مثل CIFAR-10 وSVHN)، في حين أنها قادرة على التوسع لتطبيقات على مجموعات بيانات أكبر مثل CIFAR-100 وmini-Imagenet، حيث نحقق تحسنًا ملحوظًا مقارنة بالحالة الراهنة (مثلاً، زيادة قدرها 17.44% مطلقة على mini-ImageNet). ونُجري أيضًا اختبارات على DomainNet، مما يُظهر تحسينًا في المرونة تجاه البيانات غير المُدرَّسة التي تخرج عن نطاق المجال، بالإضافة إلى إجراء تحليلات دقيقة وتحليلات تفكيكية لتأكيد فعالية الطريقة.