تم اقتراح التعلم شبه المراقب (SSL) لاستغلال البيانات غير المُعلَّمة في تدريب نماذج قوية عندما تكون البيانات المُعلَّمة محدودة. في حين أن الطرق الحالية لـ SSL تفترض أن العينات في البيانات المُعلَّمة وغير المُعلَّمة تنتمي إلى نفس الفئات، نتناول سيناريوًا جديدًا أكثر تعقيدًا يُسمى التعلم شبه المراقب المفتوح (open-set SSL)، حيث تتضمن البيانات غير المُعلَّمة عينات خارج التوزيع (OOD). بدلًا من تدريب كاشف OOD وـ SSL بشكل منفصل، نقترح إطارًا تعلمًا متعدد المهام يعتمد على منهجية منهجية تدريجية (curriculum learning). أولاً، للكشف عن العينات OOD في البيانات غير المُعلَّمة، نقدّر احتمال أن تعود العينة إلى فئة OOD. نستخدم إطارًا لتحسين مشترك، يتم فيه تحديث معاملات الشبكة العصبية ودرجات OOD بشكل متتابِع. في الوقت نفسه، لتحقيق أداء عالٍ في تصنيف البيانات داخل التوزيع (ID)، نختار العينات ID من البيانات غير المُعلَّمة التي تمتلك درجات OOD منخفضة، ونستخدم هذه البيانات مع البيانات المُعلَّمة لتدريب الشبكات العصبية العميقة لتصنيف العينات ID بطريقة شبه مراقبة. أجرينا عدة تجارب، وأظهرت نتائج طريقة الاقتراح تفوقًا على الحد الأقصى من الأداء (state-of-the-art) من خلال التغلب بنجاح على تأثير العينات OOD.