في هذه الورقة، ندرس مشكلة تعلم نماذج تصنيف الصور في ظل وجود ضوضاء في التسميات. نعيد النظر في تقنية بسيطة للتنظيم تُعرف باسم "نستيد دروبآوت" (Nested Dropout). نلاحظ أن نستيد دروبآوت، رغم أنّها أُسست أصلاً لاسترجاع المعلومات بسرعة وضغط البيانات تلقائياً، يمكنها بالفعل تنظيم الشبكة العصبية بشكل مناسب للتعامل مع ضوضاء التسميات. علاوةً على ذلك، وبسبب بساطتها، يمكن دمجها بسهولة مع تقنية Co-teaching لتعزيز الأداء بشكل أكبر.يظل نموذجنا النهائي بسيطاً لكنه فعّالاً: إذ يحقق أداءً مماثلاً أو حتى أفضل من الأساليب الرائدة في مجاله على مجموعتي بيانات واقعية تحتويان على ضوضاء في التسميات، وهما Clothing1M وANIMAL-10N. فعلى مجموعة بيانات Clothing1M، نحصل على دقة تبلغ 74.9%، وهي أداءً أفضل قليلاً من أداء DivideMix. أما على مجموعة ANIMAL-10N، نحقق دقة قدرها 84.1%، بينما كان أفضل نتيجة عامة متاحة من خلال PLC هي 83.4%. نأمل أن يُعدّ نهجنا البسيط قاعدة قوية (strong baseline) لدراسة التعلم في ظل ضوضاء التسميات. يُمكن الاطلاع على التنفيذ العملي عبر الرابط التالي: https://github.com/yingyichen-cyy/Nested-Co-teaching.