لقد حظيت التعلم شبه المُراقب بقدر كبير من الاهتمام في الآونة الأخيرة، نظرًا لقدرته على تقليل الحاجة إلى كميات كبيرة من البيانات المُعلمة، والتي غالبًا ما تكون باهظة التكلفة، وتحتاج إلى خبرة متخصصة، وتصبح مكلفة من حيث الوقت في جمعها. وقد حققت التطورات الحديثة في التصنيف العميق شبه المُراقب أداءً غير مسبوق، وتقلص الفجوة تدريجيًا بين التعلم المُراقب والتعلم شبه المُراقب. وقد تم تحقيق هذا التحسن في الأداء من خلال دمج العديد من التقنيات المبتكرة، وتقنيات التضخيم القوية، وخطط تحسين مكلفة تستخدم دوال خسارة متعددة الحدود. نحن نقترح إطارًا جديدًا يُسمى LaplaceNet للتصنيف العميق شبه المُراقب، يتميز بتعقيد نموذجي منخفض جدًا. ونستخدم نهجًا هجينًا حيث يتم إنتاج التسميات الوهمية من خلال تقليل طاقة لابلاس على رسم بياني. ثم تُستخدم هذه التسميات الوهمية لتدريب هياكل الشبكة العصبية بشكل تكراري. ويتفوق نموذجنا على أحدث الطرق في التصنيف العميق شبه المُراقب على عدة مجموعات بيانات معيارية. علاوةً على ذلك، ننظر إلى تطبيق التضخيم القوي على الشبكات العصبية من منظور نظري، ونبرر استخدام نهج التضخيم متعدد العينات في التعلم شبه المُراقب. ونُظهر من خلال تجارب صارمة أن نهج التضخيم متعدد العينات يُحسّن التعميم ويقلل من حساسية الشبكة تجاه التضخيم.