تُعد الحالة الشائعة في مهام التصنيف هي وجود كمية كبيرة من البيانات المتاحة للتدريب، لكن جزءًا صغيرًا منها مُعلّم بملصقات فئة. ويتمثل الهدف من التدريب شبه المُراقب في هذه الحالة في تحسين دقة التصنيف من خلال الاستفادة من المعلومات لا فقط من البيانات المُعلّمة، بل أيضًا من كمية كبيرة من البيانات غير المُعلّمة. وقد أظهرت الدراسات الحديثة تحسينات كبيرة من خلال استكشاف قيد الاتساق بين البيانات المُعلّمة والغير مُعلّمة التي تم تعديلها بشكل مختلف. واتباعًا لهذا المسار، نقترح هدفًا غير مُراقب جديدًا يركّز على العلاقة غير المُستكشَفة جيدًا بين البيانات غير المُعلّمة ذات الثقة العالية التي تشبه بعضها البعض. ويُقلّل خوارزمية "زوج الخسارة" (Pair Loss) التي نقترحها من المسافة الإحصائية بين التصنيفات الوهمية عالية الثقة التي تكون متشابهة فوق حد معين. وبالجمع بين خوارزمية Pair Loss وتقنيات تطويرها من عائلة MixMatch، تُظهر خوارزميتنا SimPLE تحسينات كبيرة في الأداء مقارنة بالخوارزميات السابقة على مجموعتي بيانات CIFAR-100 وMini-ImageNet، كما تُواكب أحدث الأساليب المتطورة على CIFAR-10 وSVHN. علاوةً على ذلك، تتفوّق SimPLE على الأساليب المتطورة في بيئة التعلم الناقل (transfer learning)، حيث يتم تهيئة النماذج باستخدام أوزان مُدرّبة مسبقًا على ImageNet أو DomainNet-Real. يُمكن الاطلاع على الكود على GitHub عبر الرابط: github.com/zijian-hu/SimPLE.