Bài báo này đề xuất ACE, một phương pháp mới để giải quyết điểm yếu của mạng nơ-ron sâu trước các tương quan giả mạo. Các nghiên cứu hiện tại tập trung vào các tương quan giả mạo không hoàn hảo, sử dụng các trường hợp được gắn nhãn để phá vỡ tương quan. Tuy nhiên, đối với các tương quan giả mạo hoàn chỉnh, việc khái quát hóa đúng về cơ bản là không được chỉ định rõ ràng. ACE giải quyết vấn đề không được chỉ định rõ ràng này bằng cách học một tập hợp các khái niệm phù hợp với dữ liệu huấn luyện nhưng đưa ra các dự đoán khác nhau cho một tập hợp con các đầu vào mới, chưa được gắn nhãn. Sử dụng phương pháp tự huấn luyện khuyến khích sự không khớp chắc chắn và có chọn lọc, ACE hoạt động ngang bằng hoặc tốt hơn các phương pháp hiện có trên nhiều chuẩn tương quan giả mạo hoàn chỉnh khác nhau và mạnh mẽ trước các tương quan giả mạo không hoàn hảo. Hơn nữa, ACE có thể cấu hình được nhiều hơn các phương pháp hiện có, mã hóa trực tiếp kiến thức trước đó và cho phép lựa chọn mô hình không giám sát có nguyên tắc. Trong các ứng dụng ban đầu để căn chỉnh mô hình ngôn ngữ, ACE đã đạt được hiệu suất cạnh tranh trên các chuẩn phát hiện thao tác đo lường mà không cần truy cập vào các phép đo không đáng tin cậy.
