التعلم باستخدام معايير تسمية مُقلَّلة، مثل التسميات الضوضائية، والتسميات الجزئية، ومرشحات التسمية المتعددة، والتي نُشير إليها بشكل عام بـ \textit{التسميات غير الدقيقة}، يُعد تحديًا شائعًا في مهام التعلم الآلي. تميل الطرق السابقة إلى اقتراح تصميمات مخصصة لكل تكوين جديد من التسميات غير الدقيقة، وهو ما يكون عادةً غير مستدام عند وجود عدة تكوينات من التوهين في آنٍ واحد. في هذه الورقة، نقدّم التعلم بالعلامات غير الدقيقة (ILL)، وهو إطار موحد للتعامل مع مختلف تكوينات العلامات غير الدقيقة. يستخدم ILL خوارزمية التوقع-التحديث (EM) لتمثيل معلومات العلامات غير الدقيقة، مع اعتبار العلامات الدقيقة كمتغيرات مخفية. بدلًا من تقريب العلامات الصحيحة أثناء التدريب، يأخذ ILL بعين الاعتبار التوزيع الكامل لجميع التسميات الممكنة المترتبة على المعلومات غير الدقيقة. نُظهر أن ILL يمكنه التكيّف بسلاسة مع التعلم الجزئي، والتعلم شبه المُشرف، والتعلم مع علامات ضوضائية، والأهم من ذلك، مع مزيج من هذه السياقات. وبشكل مميز، يتفوّق ILL على التقنيات المحددة الحالية في التعامل مع العلامات غير الدقيقة، مُشكّلًا أول إطار موحد يتمتع بأداء قوي وفعّال في مجموعة متنوعة من السياقات الصعبة. نأمل أن يُلهم عملنا أبحاثًا مستقبلية في هذا المجال، ويساهم في استغلال الإمكانات الكاملة لـ ILL في سياقات أوسع حيث تكون العلامات الدقيقة باهظة التكلفة ومعقدة في الحصول عليها.