التحليل الشبكي المعني شبه مُراقب باستخدام العلامات الوهمية غير الموثوقة

جوهر التصنيف الدلالي شبه المُراقب يكمن في تعيين تسميات وهمية مناسبة لبكسلات الصور غير المُعلَّمة. من الممارسة الشائعة اختيار التنبؤات ذات الثقة العالية كقيمة حقيقية وهمية، لكن هذا يؤدي إلى مشكلة تُترك فيها معظم البكسلات غير مستخدمة بسبب عدم موثوقيتها. نحن نجادل بأن كل بكسل له أهمية في تدريب النموذج، حتى لو كان تنبؤه غامضًا. بشكل مُباشر، قد يُربك التنبؤ غير الموثوق بين الفئات العليا (أي تلك ذات الاحتمالات الأعلى)، لكنه يجب أن يكون واثقًا من أن البكسل لا ينتمي إلى الفئات المتبقية. وبالتالي، يمكن اعتبار هذا البكسل بشكل مقنع عينة سلبية بالنسبة إلى الفئات الأقل احتمالًا. استنادًا إلى هذا التمييز، نطوّر نموذجًا فعّالًا للاستفادة الكافية من البيانات غير المُعلَّمة. وبشكل محدد، نُميّز بين البكسلات الموثوقة وغير الموثوقة من خلال إنتروبيا التنبؤات، ونُشجّع كل بكسل غير موثوق إلى قائمة مخصصة لكل فئة تتكون من العينات السلبية، ونُدرك تدريب النموذج باستخدام جميع البكسلات المرشحة. مع مراعاة تطور التدريب، حيث تصبح التنبؤات أكثر دقة تدريجيًا، نُعدّل بشكل تكيفي حد الفصل بين الموثوق وغير الموثوق. وتشير النتائج التجريبية على مجموعة متنوعة من المعايير وبيئات التدريب إلى تفوق منهجنا على البدائل الحديثة في المجال.