لقد أصبح التعلم شبه المُشرَّف نموذجًا فعّالًا لاستغلال البيانات غير المُعلَّمة لتقليل الاعتماد على البيانات المُعلَّمة. نحن نقترح CoMatch، طريقة جديدة للتعلم شبه المُشرَّف، توحّد النهج السائدة وتحلّ التحديات التي تواجهها. يتعلّم CoMatch بشكل مشترك تمثيلين للبيانات التدريبية: احتمالات الفئات، والتمثيلات ذات الأبعاد المنخفضة. يتفاعل هذان التمثيلان مع بعضهما البعض لتطور مشترك. حيث تفرض التمثيلات قيدًا على السلسّة (الانسيابية) لاحتمالات الفئات، مما يحسّن التصنيفات الوهمية (البُعد الافتراضي)، في حين تُنظِّم التصنيفات الوهمية بنية التمثيلات من خلال التعلم التبايني القائم على الرسوم البيانية. تحقق CoMatch أداءً متقدمًا على عدة مجموعات بيانات. وتُظهر تحسينات كبيرة في الدقة على مجموعتي CIFAR-10 وSTL-10 اللتين تفتقران إلى العلامات. وعلى ImageNet باستخدام 1% من العلامات، حققت CoMatch دقة أعلى في الموضع الأول (Top-1) بلغت 66.0%، متفوّقة على FixMatch بنسبة 12.6%. علاوةً على ذلك، تتفوّق CoMatch في أداء التعلّم التمثيلي على المهام اللاحقة، متفوّقةً على كل من التعلّم المُشرَّف والتعلّم الذاتي المُشرَّف. يُمكن الوصول إلى الكود والنموذج المُدرّب مسبقًا عبر الرابط: https://github.com/salesforce/CoMatch.