أحدثت نماذج الانتشار ثورة في مجال التعلم الآلي التوليدي بفضل كفاءتها في التقاط توزيعات البيانات المعقدة متعددة الأنماط. يُعد التعلم شبه المُعلَّم تقنية تسمح باستخلاص المعلومات من مجموعة كبيرة من البيانات غير المُعلَّمة، بفرض توفر مجموعة صغيرة من البيانات المُعلَّمة. وعلى الرغم من استخدام العديد من الطرق التوليدية سابقًا في مهام التعلم شبه المُعلَّم، إلا أن عددًا قليلاً جدًا من النماذج استخدم نماذج الانتشار في هذا السياق. في هذا العمل، نُعدّل نماذج الانتشار التوليدية الرائدة لمعالجة مشكلة التصنيف الصوتي للصور شبه المُعلَّم. ونُقدّم Diff-SySC، وهي خط أنابيب جديدة لتصنيف الصور شبه المُعلَّم تعتمد على التسمية الوهمية، وتستخدم نموذج انتشار لتعلم التوزيع الاحتمالي الشرطي الذي يُوصَف به عملية توليد التصنيفات. تُظهر التقييمات التجريبية متانة نموذج Diff-SySC عند تقييمه على معايير تصنيف الصور، وتبين أنه يتفوق على الطرق المماثلة في معايير CIFAR-10 وSTL-10، مع تحقيق أداءً تنافسيًا على CIFAR-100. وبشكل عام، يتفوق النموذج المقترح على الطرق المماثلة في 90.74% من الحالات.