نظرًا لتكاليف البيانات المُعلَّمة في التطبيقات الواقعية، فإن كاشفات الكائنات شبه المُعلَّمة، التي تُبنى على أساس التسمية الافتراضية، تُعدّ جذابة. ومع ذلك، فإن التعامل مع العينات المُربكة ليس أمرًا سهلاً: إذ إن حذف العينات المُربكة القيّمة قد يُضعف قدرة النموذج على التعميم، في حين أن استخدامها في التدريب قد يُفاقم مشكلة التحيز التأكيدية الناتجة عن التسمية الخاطئة التي لا مفر منها. لحل هذه المشكلة، يقترح هذا البحث استخدام العينات المُربكة بشكل نشط دون الحاجة إلى تصحيح التسميات. وبشكل محدد، يتم تعيين فئة افتراضية (VC) لكل عينة مربكة، بحيث يمكنها المساهمة بأمان في تحسين النموذج حتى بدون تسمية دقيقة. ويعود هذا إلى تحديد المسافة بين التضمين للعينة التدريبية والفئة الافتراضية كحد أدنى لمسافة الفصل بين الفئات. علاوة على ذلك، قمنا أيضًا بتعديل خسارة التموضع لتمكين حدود عالية الجودة في الانحدار المكاني. وأظهرت التجارب الواسعة أن التعلم باستخدام الفئة الافتراضية (VC) يتفوق بشكل كبير على أحدث التقنيات، خاصة عند توفر كميات صغيرة من البيانات المُعلَّمة.