في العديد من السيناريوهات الحرجة لرؤية الحاسوب، تكون البيانات غير المصنفة وفيرة، بينما تكون التسميات نادرة وصعبة الحصول عليها. نتيجة لذلك، حظيت تقنيات التعلم شبه المشرف (Semi-Supervised Learning) التي تستفيد من البيانات غير المصنفة لتعزيز أداء المصنفات المشرفة باهتمام كبير في الأدبيات الحديثة. أحد الفئات النموذجية من خوارزميات التعلم شبه المشرف هي خوارزميات التدريب التعاوني (Co-Training Algorithms).تستفيد خوارزميات التدريب التعاوني من نموذجين مختلفين يمتلكان تمثيلات أو "وجهات نظر" مستقلة وكافية للبيانات لتقديم توقعات أفضل بشكل مشترك. يقوم كل من هذين النموذجين بإنشاء تسميات مزيفة على النقاط غير المصنفة والتي تُستخدم لتحسين النموذج الآخر. نوضح أن في الحالات الشائعة حيث لا تكون وجهات النظر المستقلة متاحة، يمكننا بناء مثل هذه الوجهات بتكلفة زهيدة باستخدام النماذج المدربة مسبقًا. يؤدي التدريب التعاوني على الوجهات المحصلة إلى تحسين الأداء مقارنة بأي من الوجهات الفردية التي نبنيها، ويحقق أداءً مماثلًا للأساليب الحديثة في مجال التعلم شبه المشرف.نقدم خوارزمية Meta Co-Training، وهي طريقة جديدة للتعلم شبه المشرف، وتتميز بميزتين رئيسيتين عن التدريب التعاوني: (i) يكون التعلم أكثر ثباتًا عندما يكون هناك اختلاف كبير بين محتوى المعلومات في وجهات النظر المختلفة، و(ii) لا يتطلب إعادة التدريب من الصفر في كل إجراء تكراري. حققت طرقتنا أداءً جديدًا يتفوق على أفضل ما سبق في مجموعة بيانات ImageNet-10% بانخفاض بنسبة الخطأ حوالي 4.7% مقارنة بالأعمال السابقة. كما أن طرقتنا تتفوق أيضًا على الأعمال السابقة في مجال التعلم شبه المشرف على عدة قواعد بيانات تصنيف صور دقيقة أخرىة.