أحرزت خوارزمية FixMatch، التي تم اقتراحها حديثًا، نتائج متقدمة على معظم معايير التعلم شبه المراقب (SSL). ومع ذلك، مثل غيرها من خوارزميات SSL الحديثة، تستخدم FixMatch عتبة ثابتة محددة مسبقًا لجميع الفئات لاختيار البيانات غير المُعلَّمة التي تسهم في التدريب، مما يؤدي إلى إهمال الحالات المختلفة في التعلم والصعوبات المختلفة التي تواجهها الفئات المختلفة. لمعالجة هذه المشكلة، نقترح منهجية التسمية الوهمية التدريجية (CPL)، وهي منهجية تعتمد على التعلم التدريجي لاستغلال البيانات غير المُعلَّمة وفقًا لحالة التعلم النموذجية. يكمن جوهر CPL في تعديل عتبات مختلفة حسب الفئة في كل خطوة زمنية، بهدف السماح بمرور البيانات غير المُعلَّمة المفيدة وملصقاتها الوهمية. ولا تضيف CPL أي معاملات إضافية أو حسابات (في التمرير الأمامي أو العكسي). قمنا بتطبيق CPL على FixMatch، وسَمّينا الخوارزمية المحسّنة الناتجة FlexMatch. وحققت FlexMatch أداءً متقدمًا على مجموعة متنوعة من معايير SSL، مع أداء متميز بشكل خاص عندما تكون البيانات المُعلَّمة محدودة جدًا أو عندما يكون المهمة صعبة. على سبيل المثال، حققت FlexMatch خفضًا بنسبة 13.96% و18.96% في معدل الخطأ مقارنة بـ FixMatch على مجموعتي بيانات CIFAR-100 وSTL-10 على التوالي، عند توفر 4 علامات فقط لكل فئة. كما يُعزز CPL بشكل ملحوظ سرعة التقارب، على سبيل المثال، يمكن لـ FlexMatch استخدام وقت تدريب فقط يعادل 1/5 من وقت FixMatch لتحقيق أداء أفضل. علاوةً على ذلك، نُظهر أن CPL يمكن تكييفها بسهولة مع خوارزميات SSL أخرى وتحسين أدائها بشكل ملحوظ. ونُشر الكود المصدر لدينا على الرابط: https://github.com/TorchSSL/TorchSSL.