تحقيق الشبكات التلافيفية الرسومية تنبؤات جيدة للعينات غير المُسمّاة بفضل انتقال التسميات التحويلية. وبما أن العينات تختلف في درجة الثقة بالتنبؤات، فإننا نستخدم التنبؤات عالية الثقة كعلامات افتراضية لتوسيع مجموعة التسميات، بحيث يتم اختيار عدد أكبر من العينات لتحديث النماذج. ونقترح طريقة تدريب جديدة تُسمى "التعليم المتبادل"، أي أننا ندرّب نموذجين مزدوجين ونسمح لهما بتعليم بعضهما البعض خلال كل دفعة. أولاً، يُمرّر كل شبكة جميع العينات إلى الأمام، ثم تختار العينات ذات التنبؤات عالية الثقة. ثانيًا، يتم تحديث كل نموذج باستخدام العينات التي اختارها النموذج الشريك. وننظر إلى التنبؤات عالية الثقة على أنها معرفة مفيدة، ويُدرّس النموذج الشريك بالمعرفة المفيدة من خلال تحديث النموذج في كل دفعة. في طريقة التعليم المتبادل، تكون مجموعة العلامات الافتراضية لأحد النموذجين من النموذج الشريك. وبما أننا نستخدم استراتيجية جديدة لتدريب الشبكة، فإن الأداء يتحسن بشكل ملحوظ. وتُظهر النتائج التجريبية الواسعة أن طريقة التدريب المقترحة تحقق أداءً متفوقًا مقارنةً بالطرق الرائدة في مجالها، حتى في حالات معدلات تسمية منخفضة جدًا.