الهوية الشخصية غير المراقبة (Re-ID) تمثل مشكلة بحثية واعدة وصعبة للغاية في مجال رؤية الحاسوب. يُعدّ تعلّم ميزات قوية وتمييزية باستخدام بيانات غير مُسَمّاة أمرًا محوريًا في مجال Re-ID. في الآونة الأخيرة، حظيت الطرق غير المراقبة القائمة على التسمية الوهمية المُجمّعة باهتمام متزايد. ومع ذلك، لم تُستغل الطرق السابقة المعلومات الكافية من العينات الصعبة، حيث تم الاعتماد ببساطة على مركز المجموعة أو جميع العينات لتعلم التباين. في هذه الورقة، نقترح طريقة تُدعى التعلم الهجين الموجه بالعينات الصعبة (HHCL)، التي تدمج بين خسارة المستوى المجمّع وخسارة المستوى الفردي لتحسين الهوية الشخصية غير المراقبة. تعتمد طريقة العمل لدينا على خسارة التباين المُوجهة بمركز المجموعة لضمان تحديث الشبكة بطريقة أكثر استقرارًا. وفي الوقت نفسه، يُساهم إدخال خسارة التباين للعينات الصعبة في استخلاص معلومات تمييزية إضافية. أظهرت التجارب الواسعة على معيارين شهيرين واسعي المقياس في مجال Re-ID أن طريقة HHCL تتفوّق على الطرق الرائدة السابقة، وتحسّن بشكل ملحوظ أداء الهوية الشخصية غير المراقبة. ستكون رمز البرنامج الخاص بعملنا متاحًا قريبًا على الرابط: https://github.com/bupt-ai-cz/HHCL-ReID.