استخدام النماذج التناظرية في التصنيف الترتيبي (Ordinal Regression) أصبح مؤشراً رئيسياً في العديد من السيناريوهات التي تتطلب تقسيماً دقيقاً للبيانات. لكن، غالباً ما يتم الحصول على هذه التصنيفات المقصودة من خلال تجسيد معايير مستمرة، مما يُنتج حدوداً غامضة وضوضاء في التقييم. هنا تكمن المشكلة: تُقيد الطرق الحالية باستخدام أهداف ثابتة تتطلب إشرافاً متجاوزاً للحدود الذاتية.

لمنع هذه القيود، تم تقديم D3O، وهو إطار ديناميكي لتقطير التوزيع يضمن تطوراً مستمراً للعلامات المرتبة عبر عملية التعلم الذاتي. يتضمن هذا الإطار وحدة تعزيز علامة متباينة بشكل حذر، تستفيد من التنسيق بين الرؤية واللغة لاستعادة توزيعات علامات مصقولة تأخذ في الاعتبار عدم اليقين على مستوى الحالات والفئات.

كما تم تصميم آلية تقطير تفاعلية تعتمد على دالة التوزيع التراكمي (CDF) لنقل الهيكلordinal التراكمي عبر تسلسل الشبكة، مما يضمن الحفاظ على هندسة التسلسل في التمثيلات الوسيطة.

أظهرت التجارب الواسعة أن D3O يتفوق بوضوح على الطرق السابقة، خاصة في الحالات التي تعاني من عدم التوازن الكبير في الفئات وإشراف ضوضائي. هذه النتائج تُبرز فعالية الإشراف الديناميكي في تعلم تمثيلات مرتبطة بالصفوف بطريقة أكثر قوة ودقة.

وتعهد المطورون بإتاحة الكود للاستخدام العام قريباً، مما يبشر بمزيد من التطور في مجال تحليل البيانات والتعلم العميق.