على الرغم من توفر البيانات بكثرة، فإن تسمية البيانات تكون مكلفة. تجمع طرق التعلم شبه المراقبة بين عدد قليل من العينات المُسمّاة وكمّ هائل من البيانات غير المُسمّاة بهدف تدريب النماذج بشكل فعّال. يقدّم هذا البحث طريقة مقترحة تُدعى LiDAM، وهي منهجية للتعلم شبه المراقب مستندة إلى كل من التكيّف بين المجالات (domain adaptation) والتعلم التدريجي (self-paced learning). تقوم LiDAM أولاً بإجراء تحولات محلية بين المجالات (localized domain shifts) لاستخلاص ميزات أكثر تحفظاً للمجال (domain-invariant features) للنموذج، مما يؤدي إلى تجميع أكثر دقة وعلامات وهمية (pseudo-labels) أفضل. ثم تتم محاذاة هذه العلامات الوهمية مع العلامات الفعلية للتصنيفات بطريقة تدريجية باستخدام تقنية تطابق تكرارية جديدة تعتمد على اتساق الأغلبية في التنبؤات ذات الثقة العالية. وفي الوقت نفسه، يتم تدريب فاصل نهائي (final classifier) للتنبؤ بعلامات الحقيقة المطلقة حتى التقارب. تحقّق LiDAM أداءً متفوّقاً على مستوى الحالة الراهنة (state-of-the-art) على مجموعة بيانات CIFAR-100، حيث تتفوّق على FixMatch (73.50% مقابل 71.82%) عند استخدام 2500 علامة مُسمّاة.