لقد برز التعلم شبه المراقب كنهج محوري لاستغلال البيانات المُدرَّسة المحدودة جنبًا إلى جنب مع كميات كبيرة من البيانات غير المُدرَّسة. وعلى الرغم من التقدم الكبير المحرز، فإن الطرق السائدة في التعلم شبه المراقب تفرض بشكل أساسي اتساقًا بين مختلف التمثيلات المُعززة لعينة فردية، مما يؤدي إلى تجاهل البنية العلاقاتية الغنية المتأصلة داخل مجموعة صغيرة (mini-batch). في هذا البحث، نقدّم إطار عمل جديد يُدعى RelationMatch، يُفرض بشكل صريح اتساق العلاقات داخل المجموعة من خلال دالة خسارة تُعرف بـ "الإنتروبي المصفوفي المتقاطع" (Matrix Cross-Entropy - MCE). تم اشتقاق دالة الخسارة MCE بشكل دقيق من منظورين: التحليل المصفوفي والهندسة المعلوماتية، مما يضمن صلابة نظرية وفعالية عملية. وقد أظهرت التقييمات التجريبية الواسعة على معايير قياسية، بما في ذلك تحسين بنسبة 15.21% في الدقة مقارنة بـ FlexMatch على مجموعة بيانات STL-10، أن RelationMatch لا يُحسّن فقط من أداء الحالة الراهنة (state-of-the-art)، بل يُقدّم أيضًا أساسًا مُبَنَّى لدمج الإشارات العلاقاتية في التعلم شبه المراقب.