أظهرت الدراسات الحديثة المتعلقة بالتعلم مع العلامات الضوضائية أداءً ملحوظًا من خلال استغلال مجموعة صغيرة من البيانات النظيفة. وبشكل خاص، تحسن طرق تصحيح العلامات القائمة على التعلم الميتا المستقل عن النموذج أداءً من خلال تصحيح العلامات الضوضائية في الوقت الفعلي. ومع ذلك، لا توجد ضمانات ضد حدوث أخطاء في تصحيح العلامات، مما يؤدي إلى تدهور لا مفر منه في الأداء. علاوة على ذلك، تتطلب كل خطوة تدريب على الأقل ثلاث عمليات انتقال خلفي، ما يبطئ بشكل كبير من سرعة التدريب. ولتقليل هذه المشكلات، نقترح طريقة مقاومة وفعالة تتعلم مصفوفة انتقال العلامات في الوقت الفعلي. وباستخدام مصفوفة الانتقال هذه، يصبح المصنف حذرًا تجاه جميع العينات التي تم تصحيحها، مما يخفف من مشكلة التصحيح الخاطئ. كما نقدم بنية ذات رأسين لتقدير مصفوفة انتقال العلامات بكفاءة في كل تكرار ضمن عملية انتقال خلفي واحدة فقط، بحيث تتبع المصفوفة المقدرة توزيع الضوضاء المتغير الناتج عن عملية تصحيح العلامات بشكل وثيق. تُظهر التجارب الواسعة أن نهجنا يحقق أفضل أداء من حيث كفاءة التدريب، مع دقة مماثلة أو أفضل مقارنةً بالطرق الحالية.