مصفوفة انتقال الضوضاء في التسمية، التي تصف احتمالات تسمية مثيل تدريب بشكل خاطئ، تُعدّ عنصراً حاسماً في تصميم الحلول الشائعة لتعلم النماذج مع تسميات ضوضائية. تعتمد الدراسات الحالية بشكل كبير على إيجاد "نقاط مرجعية" أو تقريباتها، والتي تُعرّف بأنها مثيلات تنتمي إلى فئة معينة بشكل شبه مؤكد. ومع ذلك، لا يزال إيجاد نقاط مرجعية مسألة غير سهلة، كما أن دقة التقدير تتأثر أحياناً بعدد النقاط المرجعية المتاحة. في هذه الورقة، نقترح خياراً بديلاً لهذه المهمة. تكمن المساهمة الرئيسية لدينا في اكتشاف طريقة فعّالة لتقدير المصفوفة استناداً إلى شرط قابلية التجميع (clusterability condition). نُثبت أنه بالاعتماد على تمثيلات قابلة للتجميع للسمات، فإن استخدام التوافق حتى من الدرجة الثالثة بين التسميات الضوضائية لمثيلات الجوار يكون كافياً لتقدير مصفوفة انتقال فريدة. مقارنة بالطرق التي تعتمد على نقاط مرجعية، يعتمد نهجنا على عدد كبير من المثيلات ويستفيد من تعقيد عيني أفضل بشكل ملحوظ. نُظهر دقة التقدير ومزايا تقديراتنا باستخدام تسميات ضوضائية صناعية (على CIFAR-10/100) وتسميات حقيقية بمستوى إنساني (على Clothing1M وبيانات CIFAR-10 التي جمعناها بأنفسنا). يُتاح الكود والبيانات ذات التسميات الضوضائية بمستوى إنساني على الرابط: https://github.com/UCSC-REAL/HOC.