تُقدّم هذه الورقة منهجية جديدة للتعلم من خلال توقع تعيينات الأطر (PAWS) باستخدام عينات داعمة. يُدرّب النموذج على تقليل خسارة الاتساق، التي تضمن أن تُعطَى أطر متنوعة للنقطة غير المُعلَّمة نفسها تسميات وهمية مشابهة. تُولَّد التسميات الوهمية بشكل غير بارامتري، من خلال مقارنة تمثيلات أطر الصور بتمثيلات مجموعة من الصور المُعلَّمة التي تم اختيارها عشوائيًا. تُستخدم المسافة بين تمثيلات الأطر وتمثيلات الصور المُعلَّمة لتوفير وزن على فئات التصنيف، والتي نُفسّرها كتسمية وهمية لينة. وباستخدام هذا الأسلوب غير البارامتري لدمج العينات المُعلَّمة، يمتد PAWS إلى البيئة شبه المُعلَّمة خسارة المسافة المُقاسة المستخدمة في الطرق ذاتية التعلُّم مثل BYOL وSwAV. وعلى الرغم من بساطة المنهجية، فإن PAWS تتفوّق على الطرق شبه المُعلَّمة الأخرى عبر المعماريات المختلفة، مُحقِّقة حالة جديدة من الأداء القياسي لنموذج ResNet-50 على ImageNet المدرّب باستخدام 10% أو 1% فقط من العينات المُعلَّمة، حيث بلغت الدقة الأولى 75.5% و66.5% على التوالي. كما أن PAWS تتطلب من 4 إلى 12 مرة أقل وقتًا في التدريب مقارنة بالأساليب السابقة الأفضل.