زيادة توفر السحابات النقطية الضخمة مع فائدتها في مجموعة متنوعة من التطبيقات مثل الروبوتات، وتكوين الأشكال، والسيارات ذاتية القيادة جذبت اهتمامًا متزايدًا من الصناعة والأكاديميا. حديثًا، أظهرت الشبكات العصبية العميقة التي تعمل على السحابات النقطية المصنفة نتائج واعدة في مهام التعلم الإشرافي مثل التصنيف والتقطيع. ومع ذلك، فإن التعلم الإشرافي يؤدي إلى مهمة شاقة وهي تسمية السحابات النقطية. لحل هذه المشكلة، نقترح مهامين جديدَين للتدريب الذاتي المسبق يشفران تقسيمًا هرميًا للسحابات النقطية باستخدام شجرة الغطاء (cover-tree)، حيث تقع مجموعات نقاط السحابة داخل كرات ذات أشعاعات مختلفة على كل مستوى من مستويات شجرة الغطاء. بالإضافة إلى ذلك، يتم تقييد شبكتنا للتعلم الذاتي المسبق بالتدريب المسبق على مجموعة الدعم (support set) التي تتكون من أمثلة تدريب قليلة تُستخدم لتدريب الشبكة اللاحقة في إعداد التعلم القليل الأمثل (few-shot learning - FSL). وأخيرًا، يتم إدخال تمثيلات النقاط (point embeddings) للشبكة التي تم تدريبها بشكل كامل باستخدام التعلم الذاتي المسبق إلى شبكة مهمة ما بعد التدريب. نقدم تقييمًا تجريبيًا شاملًا لطرقنا في مهام التصنيف والتقطيع اللاحقة ونوضح أن طرق التعلم الإشرافي التي تم تدريبها مسبقًا بوساطة طريقة التعلم الذاتي المسبق الخاصة بنا تحسن بشكل كبير دقة أفضل الطرق الحالية. بالإضافة إلى ذلك، فإن طريقتنا أيضًا تتفوق على طرق التعلم غير الإشرافي السابقة في مهام التصنيف اللاحقة.