التعلم شبه المراقب (SSL) هو وسيلة فعّالة لاستغلال البيانات غير المُعلّمة لتحسين أداء النموذج. تعتمد الطرق التقليدية لـ SSL مثل FixMatch على افتراض أن البيانات المُعلّمة والغير مُعلّمة تتشارك في نفس فضاء التصنيف. ومع ذلك، في التطبيق العملي، قد تحتوي البيانات غير المُعلّمة على فئات لم تُرَ في المجموعة المُعلّمة، أي ما يُعرف بالقيم الشاذة (outliers)، مما يمكن أن يُضر بشكل كبير بأداء خوارزميات SSL. لمعالجة هذه المشكلة، نُقدّم منهجًا جديدًا يُسمّى التعلم شبه المراقب المفتوح (OSSL) يُدعى OpenMatch. إن تعلّم تمثيلات العناصر المُعتادة (inliers) مع رفض القيم الشاذة يُعد أمرًا أساسيًا لنجاح OSSL. ولتحقيق ذلك، يدمج OpenMatch بين FixMatch وتقنية اكتشاف القيم الشاذة المستندة إلى فئّات one-vs-all (OVA). حيث تُقدّم فئة OVA درجة ثقة لعينة ما بأنها من العناصر المعتادة، مما يُمكّن من تحديد حدّ للكشف عن القيم الشاذة. وتشمل إسهاماتنا الرئيسية أخرى خسارة تنظيمية ناعمة مفتوحة المجال (open-set soft-consistency regularization loss)، التي تعزز استمرارية فئة OVA بالنسبة للتغيرات المُطبّقة على المدخلات، وتحسّن بشكل كبير من كفاءة اكتشاف القيم الشاذة. حقق نموذجنا أداءً متقدّمًا على مستوى الحالة الحالية (state-of-the-art) في ثلاث مجموعات بيانات، وحتى تفوّق في بعض الأحيان على نموذج مُدرّب بالكامل باستخدام بيانات مُعلّمة (fully supervised) في كشف القيم الشاذة غير المُدرَّسة في بيانات غير مُعلّمة على مجموعة CIFAR10. يمكن الوصول إلى الشفرة المصدرية من خلال الرابط: https://github.com/VisionLearningGroup/OP_Match.