إن أداء التعلم التحويلي على الرسوم البيانية التي تحتوي على عدد قليل جدًا من العينات المُعلمة، أي عينتين أو ثلاث عينات لكل فئة، يُعدّ تحديًا كبيرًا بسبب نقص الإشراف. في الدراسات السابقة، تم اعتماد التعلم ذاتيًا عبر نموذج من وجهة نظر واحدة على نطاق واسع لمعالجة هذه المشكلة. ومع ذلك، أظهرت ملاحظات حديثة أن التمثيلات متعددة الأوجه للكائن تشارك نفس المعلومات الدلالية في الفضاء المميزات عالية المستوى. ولكل عينة، نُنشئ تمثيلات متنوعة (غير متجانسة)، ونستخدم خسارة الاتساق بين الأوجه لجعل تمثيلاتها متسقة مع بعضها البعض. كما أن التمثيلات متعددة الأوجه تُحفّز على إشراف توليد التسميات الوهمية من خلال الدعم المتبادل بين الأوجه. وعليه، نقترح في هذه الورقة شبكة متماسكة متعددة الأوجه ومتنوعة (VCHN) لتعلم تمثيلات أفضل من خلال محاذاة المعاني غير المرتبطة بالوجه. بشكل خاص، تُبنى VCHN من خلال تقييد التنبؤات بين وجهين بحيث يمكن للزوجين من الأوجه أن يُشرفا بعضهما البعض. ولاستغلال أقصى قدر من المعلومات عبر الأوجه، نقترح استراتيجية تدريب جديدة تُنتج تسميات وهمية أكثر موثوقية، مما يُعزز من دقة التنبؤات في VCHN. وقد أظهرت النتائج التجريبية الواسعة على ثلاث مجموعات بيانات معيارية أداءً متفوقًا على الطرق الحديثة في أدنى معدلات التسمية.