التعلم من البيانات الضوضائية يُعد مهمة صعبة تؤدي إلى تدهور كبير في أداء النموذج. في هذه الورقة، نقدّم نموذج TCL، وهو نموذج جديد للتعلم المزدوج المتناقض، لتعلم تمثيلات قوية والتعامل مع التسميات الضوضائية في تصنيف البيانات. بشكل خاص، نُنشئ نموذجًا مختلطًا غاوسيًا (GMM) على التمثيلات من خلال إدخال تنبؤات النموذج المُشرف إلى نموذج GMM، بهدف ربط المتغيرات المخفية بدون تسميات في GMM بالتسميات الملوثة بالضوضاء. ثم، يستخدم TCL كشف الأمثلة ذات التسميات الخاطئة باعتبارها أمثلة خارج التوزيع باستخدام نموذج GMM ثنائي المكونات آخر، مع أخذ توزيع البيانات بعين الاعتبار. كما نقترح تدريبًا متبادلًا مع دالة خسارة منتظمة بالانتماء (entropy regularization loss) تُعزز استخلاص الأهداف الصحيحة من التنبؤات الناتجة عن النموذج للتعامل مع التسميات الضوضائية. نتيجة لذلك، يمكن لـ TCL تعلّم تمثيلات تمييزية متماسكة مع التسميات المقدرة من خلال تقنيات المزج (mixup) والتعلم المتناقض. أظهرت النتائج التجريبية الواسعة على عدة معايير قياسية وبيانات واقعية أداءً متفوقًا لنموذج TCL. وبشكل خاص، حقق TCL تحسنًا بنسبة 7.5% على مجموعة بيانات CIFAR-10 ذات 90% من التسميات الضوضائية — وهي حالة ضوضاء شديدة جدًا. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: \url{https://github.com/Hzzone/TCL}.