لقد حققت التعلم شبه المراقب القائم على التسمية الوهمية (SSL) نجاحًا كبيرًا في استغلال البيانات الخام. ومع ذلك، يعاني إجراء التدريب منها من انحياز التأكيد بسبب الضوضاء المحتوية في التسميات الاصطناعية التي تُولَّد تلقائيًا. علاوةً على ذلك، تصبح قرارات النموذج أكثر ضوضاءً في التطبيقات الواقعية التي تشهد كمًا واسعًا من البيانات خارج التوزيع. لمعالجة هذه المشكلة، نقترح طريقة عامة تُسمى التعلم شبه المراقب التمييزي المُتَعَلِّق بالفئة (CCSSL)، وهي أداة مُضافة بسهولة لتحسين جودة التسميات الوهمية وتعزيز مقاومة النموذج في البيئات الواقعية. بدلًا من اعتبار البيانات الواقعية كمجموعة موحدة، تتعامل طريقتنا بشكل منفصل مع البيانات الموثوقة ضمن التوزيع من خلال تجميعها حسب الفئة لدمجها في المهام التالية، ومع البيانات الضوضائية خارج التوزيع باستخدام التمييز الصورة بحسب الصورة لتحسين التعميم. علاوةً على ذلك، وباستخدام إعادة توزيع الأوزان المستهدفة، نتمكن من التركيز بشكل فعّال على تعلم التسميات النظيفة، وفي الوقت نفسه تقليل تعلم التسميات الضوضائية. وعلى الرغم من بساطتها، تُظهر الطريقة المقترحة CCSSL تحسينات كبيرة في الأداء مقارنة بالأساليب المتطورة في التعلم شبه المراقب على مجموعتي بيانات قياسيتين هما CIFAR100 وSTL10. كما حققنا تحسنًا بنسبة 9.80% على مجموعة بيانات الواقعية Semi-iNat 2021 مقارنةً بـ FixMatch، وبنسبة 3.18% مقارنةً بـ CoMatch. يمكن الوصول إلى الكود من خلال: https://github.com/TencentYoutuResearch/Classification-SemiCLS.