نقدّم إطارًا احتماليًا موحدًا للتفريق يُدعى "مزيج خبراء التمييز" (MiCE)، الذي يستغل في آنٍ واحد التمثيلات التمييزية التي تُتعلم عبر التعلّم التمييزي، بالإضافة إلى الهياكل الدلالية التي تُلتقط بواسطة نموذج مختلط خفي. مستوحى من مفهوم "مزيج الخبراء"، يستخدم MiCE دالة توجيه (gating function) لتقسيم مجموعة بيانات غير مُصنّفة إلى مجموعات فرعية وفقًا للدلالات الخفية، ويُسنَد كل مجموعة فرعية إلى خبير (expert) مختلف، حيث يُدرّب هؤلاء الخبراء على التمييز بين المجموعات المختلفة باستخدام أسلوب التعلّم التمييزي. ولحل مشكلات الاستنتاج والتعلّم غير البسيطة الناتجة عن المتغيرات الخفية، طوّرنا نسخة قابلة للتوسع من خوارزمية التوقع-التحديث (EM) مخصصة لـ MiCE، وقمنا بإثبات تقارب الخوارزمية. من الناحية التجريبية، قمنا بتجريب أداء التفريع لـ MiCE على أربع مجموعات بيانات شائعة لصور طبيعية. وقد أظهرت النتائج تفوقًا ملحوظًا لـ MiCE على عدة طرق سابقة، وكذلك على نموذج قوي للتعلّم التمييزي كمبدأ مرجعي.