تعتمد العديد من الطرق الحديثة في التعلم من التسميات الضوضائية على آليات تعلم تُقدّر التسميات النظيفة للعينات أثناء التدريب، ثم تتجاهل التسميات الضوضائية الأصلية. ومع ذلك، فإن هذا النهج يمنع تعلُّم العلاقة بين الصور والتسميات الضوضائية والتسميات النظيفة، والتي أظهرت فعاليتها في مواجهة مشكلات ضوضاء التسمية المرتبطة بالعينات (instance-dependent label noise). علاوةً على ذلك، تتطلب الطرق التي تسعى فعلاً لتعلم هذه العلاقة مجموعات بيانات مُسَمّاة بدقة، إلى جانب عمليات استخلاص (distillation) أو استخدام نماذج متعددة الأوجه أثناء التدريب. في هذا البحث، نقترح خوارزمية تدريب جديدة تعتمد على نموذج بسيط لتعلم العلاقة بين التسميات النظيفة والضوضائية دون الحاجة إلى مجموعة بيانات مُسَمّاة بدقة. تتبع خوارزميتنا عملية مكوّنة من ثلاث مراحل: أولاً، التدريب المُشَجَّع ذاتيًا (self-supervised pre-training) متبوعًا بتدريب مبكر للتصنيف لتمكين النموذج من التنبؤ بثقة بتسميات نظيفة لجزء من مجموعة التدريب؛ ثانياً، استخدام المجموعة النظيفة الناتجة من المرحلة الأولى لتمكين النموذج من تأسيس العلاقة بين الصور والتسميات الضوضائية والتسميات النظيفة، والتي نستفيد منها لاستبدال التسميات في بقية مجموعة التدريب باستخدام التعلم شبه المُشَجَّع (semi-supervised learning)؛ ثالثاً، التدريب المُشَجَّع للتصنيف باستخدام جميع العينات التي تم إعادة تسميتها في المرحلة الثانية. وبفضل تعلُّم هذه العلاقة، نحقق أداءً متفوقًا على الحد الأدنى من الأداء في المشكلات المتعلقة بضوضاء التسمية غير المتماثلة (asymmetric) والضوضاء المرتبطة بالعينات.