بينما حظيت التعلم شبه المراقب (SSL) على اهتمام كبير في العديد من مهام التعلم الآلي بفضل نجاحها في استخدام البيانات غير المصنفة، فإن الخوارزميات الحالية لـ SSL تستخدم إما جميع الأمثلة غير المصنفة أو الأمثلة غير المصنفة التي تمتلك تنبؤات ذات ثقة عالية ثابتة خلال عملية التدريب. ومع ذلك، من الممكن أن يتم حذف أو اختيار عدد كبير جدًا من الأمثلة المُصنفة بشكل صحيح/خاطئ. في هذا العمل، نطور إطارًا بسيطًا ولكنه قوي، حيث يكمن الفكرة الأساسية فيه في اختيار مجموعة فرعية من أمثلة التدريب من البيانات غير المصنفة عند تنفيذ الطرق الحالية لـ SSL، بحيث تُستخدم فقط الأمثلة غير المصنفة التي تحمل تسميات وهمية مرتبطة بالبيانات المصنفة لتدريب النماذج. يتم هذا الاختيار في كل تكرار لتحديث النموذج، عن طريق الاحتفاظ فقط بال أمثلة التي تكون خساراتها أقل من حد معين يتم ضبطه ديناميكيًا خلال التكرارات. يتمتع النهج المُقترح، المسمى Dash، بمرونة في اختيار البيانات غير المصنفة، كما يتمتع بضمان نظري. وبشكل خاص، نُثبت نظريًا معدل التقارب لـ Dash من منظور التحسين غير المحدب. وأخيرًا، نُظهر تجريبيًا كفاءة الطريقة المقترحة مقارنةً بأفضل الطرق الحالية على مجموعة من المعايير القياسية.