في هذه الورقة، قمنا بطرح المفهوم الجديد لشبكة المستشار (advisor network) لمعالجة مشكلة العلامات الضوضائية في تصنيف الصور. تُعاني الشبكات العصبية العميقة (DNN) من تراجع الأداء والانحياز الزائد (overfitting) عند التدريب على بيانات تحتوي على تسميات ضوضائية. تهدف طرق ترجيح الدالة الخسارة (weighting loss methods) إلى تقليل تأثير العلامات الضوضائية أثناء التدريب، وذلك بحذف إسهامها تمامًا. لكن هذه العملية تُفقد الشبكات العصبية القدرة على التعلم من العلاقات الخاطئة بين الصور والعلامات الصحيحة، وفي الوقت نفسه تقلل من كمية البيانات المستخدمة، خاصة عندما تكون معظم العينات تحتوي على علامات خاطئة. على النقيض من ذلك، تُرجّح طريقة عملنا الميزات المستخلصة مباشرة من الفاصل (classifier) دون تغيير قيمة الخسارة لكل عينة. يساعد المستشار على التركيز فقط على جزء معين من المعلومات المتوفرة في الأمثلة المُسَمَّة خاطئًا، مما يمكّن الفاصل من الاستفادة من هذه البيانات أيضًا. تم تدريبه باستخدام استراتيجية التعلم الميتا (meta-learning)، بحيث يمكنه التكيّف طوال عملية تدريب النموذج الرئيسي. تم اختبار طريقة العمل لدينا على مجموعتي بيانات CIFAR10 وCIFAR100 المُحتوِيتين على ضوضاء صناعية، وعلى مجموعة Clothing1M التي تحتوي على ضوضاء حقيقية من العالم الخارجي، وتم الإبلاغ عن نتائج تفوق الحد الأدنى من الأداء المُحقَّق حاليًا في المجال.