أظهرت أساليب التعلم المتماسك باستخدام اضطرابات الصورة المدخلة، أو الميزات، أو الشبكة نتائج ملحوظة في التصنيف الشبكي شبه المُعلَّم، لكن هذا النهج يمكن أن يتأثر بشدة بتوقعات غير دقيقة للصور التدريبية غير المُعلَّمة. توجد نتيجتان لهذه التوقعات غير الدقيقة: 1) يمكن أن يؤدي التدريب المستند إلى خسارة "الانسيابية الصارمة" للإنتروبيا المتقاطعة (CE) إلى تعلُّم مفرط للخطأ في التوقع، مما يُنتج انحياز التأكيد؛ و2) ستُستخدم الاضطرابات المطبقة على هذه التوقعات غير الدقيقة كإشارات تدريب، مما يؤدي إلى تدهور أداء التعلم المتماسك. في هذه الورقة، نعالج مشكلة دقة التوقع في أساليب التعلم المتماسك من خلال تمديدات جديدة لنموذج المعلم المتوسط (MT)، تشمل إدخال معلم مساعد جديد، واستبدال خسارة متوسط المربعات (MSE) في MT بخسارة إنتروبيا متقاطعة موزونة بالثقة (Conf-CE) الأكثر صرامة. تُمكّن التوقعات الدقيقة التي يوفرها هذا النموذج من استخدام مزيج صعب من الاضطرابات في الشبكة، والبيانات المدخلة، والميزات لتحسين تعميم التعلم المتماسك، حيث تتضمن الاضطرابات المميزة نوعًا جديدًا من الاضطرابات العدوية. أظهرت النتائج على معايير عامة تحسنًا ملحوظًا مقارنة بالأساليب السابقة الرائدة (SOTA) في المجال. يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/yyliu01/PS-MT.