تلقى التعلم شبه المراقب اهتمامًا متزايدًا بشكل ملحوظ، نظرًا لنجاحه في دمج البيانات غير المُعلَّمة. لمعالجة العلامات الوهمية (pseudo labels) التي قد تكون خاطئة، تُعتمد في الإطارات الحديثة بشكل شائع عتبة ثابتة للثقة لاستبعاد العينات غير المؤكدة. وإن كانت هذه الممارسة تضمن جودة عالية للعلامات الوهمية، إلا أنها تؤدي إلى استغلال منخفض نسبيًا للمجموعة الكاملة من البيانات غير المُعلَّمة. في هذا العمل، يكمن رؤيتنا الأساسية في إمكانية تحويل العينات غير المؤكدة إلى عينات مؤكدة، طالما تم اكتشاف الفئات المُربكة بالنسبة للتصنيف الأول (top-1) وحذفها. مستوحى من هذه الفكرة، نقترح طريقة جديدة تُسمى ShrinkMatch لتعلم العينات غير المؤكدة. بالنسبة لكل عينة غير مؤكدة، تبحث الطريقة بشكل تكيفي في فضاء فئات مُصغّر، يحتوي فقط على الفئة الأصلية الأولى (top-1)، إلى جانب الفئات الأقل احتمالًا المتبقية. وبما أن الفئات المُربكة تُزال في هذا الفضاء، فإن الثقة المُعاد حسابها للتصنيف الأول تصبح كافية لتلبية العتبة المحددة مسبقًا. ثم نُطبّق تقويمات اتساق (consistency regularization) بين زوج من العينات المُعززة بشكل قوي وضعيف في هذا الفضاء المُصغّر، بهدف تحقيق تمثيلات تمييزية مميزة. علاوةً على ذلك، وباعتبار التباين في موثوقية العينات غير المؤكدة، والتقدم التدريجي في أداء النموذج أثناء التدريب، نصمم مبدأين مخصصين لإعادة وزن الخسارة الخاصة بالعينات غير المؤكدة. تُظهر طريقة ShrinkMatch أداءً مبهرًا على معايير شائعة الاستخدام. يمكن الوصول إلى الكود من خلال الرابط: https://github.com/LiheYoung/ShrinkMatch.