تُخفف عملية تجميع مصادر متعددة للإشراف الضعيف (WS) من عقبة تسمية البيانات التي تُعد شائعة في العديد من تطبيقات التعلم الآلي، وذلك بدلًا من جمع القيود الحقيقية يدويًا وبنفس الطريقة المتعبة. ومع ذلك، تتطلب الطرق الحديثة الأفضل التي لا تستخدم أي بيانات تدريب مُصنفة خطوتين منفصلتين في النمذجة: أولاً، تعلّم نموذج متغير خفي احتمالي يستند إلى مصادر الإشراف الضعيف — مع افتراضات لا تُطبَّق غالبًا في الواقع — ثم تدريب النموذج في المرحلة التالية. وبشكل مهم، لا تأخذ الخطوة الأولى من النمذجة بعين الاعتبار أداء النموذج في المرحلة التالية. ولحل هذه القضايا، نقترح نهجًا من النهاية إلى النهاية يُمكّن من تعلّم النموذج في المرحلة التالية مباشرةً، وذلك من خلال تحسين التوافق بينه وبين التسميات الاحتمالية التي تُولَّد عبر إعادة تشكيل التوزيعات الاحتمالية السابقة باستخدام شبكة عصبية. تُظهر نتائجنا تحسنًا في الأداء مقارنة بالعمل السابق، من حيث أداء النموذج النهائي على مجموعات الاختبار في المرحلة التالية، وكذلك من حيث تحسين المرونة تجاه الاعتماديات بين مصادر الإشراف الضعيف.