نقدم "Self-Classifier" -- وهو نهج جديد للتعلم التصنيفي ذاتي الإشراف من النهاية إلى النهاية. يتعلم "Self-Classifier" العلامات والتمثيلات بشكل متزامن في مرحلة واحدة ومن النهاية إلى النهاية، وذلك عن طريق تحسين التنبؤ بالفئة نفسها لوجهين مُعَزَّزين لنفس العينة. لضمان حلول غير مُتَحَلِّلة (أي حلول حيث يتم تعيين جميع العلامات إلى نفس الفئة)، نقترح نسخة مستوحاة رياضياً من خسارة التقاطع الانتروبي التي تفرض أولوية موحدة على العلامات المتنبأ بها. في تحليلنا النظري، نثبت أن الحلول المتحللة ليست ضمن مجموعة الحلول المثلى لنهجنا. يتميز "Self-Classifier" بسهولة التنفيذ والقابلية للتوسع. على عكس النهج الشائعة الأخرى للتصنيف غير المشرف والتعلم التمثيلي التبايني، فإنه لا يتطلب أي نوع من التدريب الأولي، أو عملية التوقع-التعظيم، أو وضع العلامات الوهمية، أو التجميع الخارجي، أو شبكة ثانية، أو عملية إيقاف الجريان، أو أزواج سلبية. رغم بساطته، فإن نهجنا يحدد مستوى جديدًا للتفوق في تصنيف ImageNet بدون إشراف؛ وحتى يحقق نتائج مشابهة لأحدث المستويات في التعلم التمثيلي غير المشرف. يمكن الوصول إلى الكود عبر الرابط: https://github.com/elad-amrani/self-classifier.