نعتبر مشكلة التنبؤ بالملابس المكملة. تركز الطرق الحالية على تعلم فضاء تمثيلي حيث تكون العناصر الأزيائية من فئات مختلفة متوافقة بصريًا أقرب إلى بعضها البعض. ومع ذلك، فإن إنشاء مثل هذه الملابس المصنفة يتطلب جهدًا كبيرًا وليس من المجدي إنتاج جميع تركيبات الملابس الممكنة، خاصة مع الكتالوجات الأزيائية الكبيرة. في هذا العمل، نقترح نهجًا شبه مشرف عليه حيث نستفيد من السجل الكبير للملابس غير المصنفة لإنشاء ملابس إيجابية وسلبية زائفة بشكل ديناميكي أثناء التدريب. لكل مجموعة ملابس مصنفة في دفعة التدريب، نحصل على مجموعة ملابس زائفة عن طريق مطابقة كل عنصر في المجموعة المصنفة مع عناصر غير مصنفة. بالإضافة إلى ذلك، نقدم تنظيم الاستمرارية لضمان أن تمثيل الصور الأصلية وتحويلاتها يكون متسقًا، مما يساعد ضمنيًا على دمج اللون وغيرها من الصفات الهامة من خلال الإشراف الذاتي. قمنا بإجراء تجارب واسعة النطاق على Polyvore و Polyvore-D وعلى قاعدة بيانات جديدة كبيرة للملابس التي أنشأناها، وأظهرنا أن نهجنا باستخدام نسبة صغيرة فقط من الأمثلة المصنفة يؤدي بأداء يعادل الأساليب تمامًا المشروحة بالإشراف الكامل.