التعلم العميق يدفع الحدود الأمامية في العديد من تطبيقات رؤية الكمبيوتر. ومع ذلك، فإنه يعتمد على مستودعات بيانات كبيرة محملة بالتعليقات، وما زالت مشكلة التقاط الطبيعة غير المقيدة للبيانات الحقيقية دون حل. يكمل التعلم شبه المشرف (SSL) البيانات التدريبية المحملة بالتعليقات بقاعدة بيانات كبيرة من البيانات غير المحملة بالتعليقات لخفض تكلفة التعليق. يفترض النهج القياسي لـ SSL أن البيانات غير المحملة بالتعليقات تنتمي إلى نفس التوزيع الذي تنتمي إليه البيانات المحملة بالتعليقات. مؤخرًا، تم تقديم مشكلة SSL أكثر واقعية تُعرف باسم SSL العالم المفتوح، حيث قد تحتوي البيانات غير المحملة بالتعليقات على عينات من فئات مجهولة. في هذا البحث، نقترح نهجًا جديدًا يستند إلى العلامات الوهمية لمعالجة SSL في إعداد العالم المفتوح. في صميم طريقتنا، نستفيد من عدم اليقين في العينات ونضم المعرفة السابقة حول توزيع الفئات لتوليد علامات وهمية موثوقة تأخذ في الاعتبار توزيع الفئات للبيانات غير المحملة بالتعليقات التي تنتمي إلى الفئات المعروفة والمجهولة على حد سواء. تظهر التجارب الواسعة لدينا فعالية طريقتنا على عدة مجموعات بيانات معيارية، حيث تتخطى الأداء الحالي للمستوى الرائد بشكل كبير على سبع مجموعات بيانات متنوعة بما فيها CIFAR-100 (حوالي 17%)، ImageNet-100 (حوالي 5%)، و Tiny ImageNet (حوالي 9%). كما نسلط الضوء على مرونة طريقتنا في حل مهمة اكتشاف الفئات الجديدة، ونبين استقرارها عند التعامل مع البيانات غير المتوازنة، ونساعد طريقتنا بتقنية لتقدير عدد الفئات الجديدة.