نُقدّم خوارزمية تدريب جديدة تُسمى ScanMix، والتي تستكشف التجميع الدلالي والتعلم شبه المُراقب (SSL) لتمكين مقاومة فائقة للضوضاء الشديدة في التسميات، ومقاومة تنافسية للضوضاء غير الشديدة في التسميات، مقارنةً بالأساليب الحالية المُتطورة (SOTA). تعتمد ScanMix على إطار العمل التوقع-التحديث (Expectation Maximization)، حيث يقوم خطوة التوقع (E-step) بتحديث المتغير المُخفي لتنظيم الصور التدريبية وفقًا لخصائصها البصرية ونتائج التصنيف، بينما تقوم خطوة التحديث (M-step) بتحسين تصنيف التعلم شبه المُراقب وتعلم تمثيلات مميزة فعّالة من خلال التجميع الدلالي. نقدّم نتائج نظرية تُظهر صحة وتوافق تقارب ScanMix، بالإضافة إلى نتائج تجريبية تُظهر أن ScanMix تحقق أفضل النتائج (SOTA) على مجموعات بيانات CIFAR-10/-100 (مع ضوضاء تسميات متماثلة، غير متماثلة، ودلالية)، وRed Mini-ImageNet (من مجموعة التسميات المُضطربة على الويب)، وClothing1M وWebVision. في جميع المعايير التي تتضمن ضوضاء شديدة في التسميات، تُظهر نتائجنا تنافسية مع أحدث النتائج المُتطورة الحالية.