مقدّر التوزيع الذاتي العصبي (NADE) ونسخته ذات القيم الحقيقية (RNADE) هما نموذجان تنافسيان لكثافة البيانات متعددة الأبعاد في مجموعة متنوعة من المجالات. يستخدم هذان النموذجان ترتيبًا ثابتًا تعسفيًا لأبعاد البيانات. يمكن بسهولة شرط المتغيرات في بداية الترتيب، وإخراج المتغيرات في نهاية الترتيب، ومع ذلك تتطلب المهام الاستدلالية الأخرى استدلالًا تقريبيًا. في هذا البحث، نقدم إجراءً فعّالاً لتدريب نموذج NADE لكل ترتيب ممكن للمتغيرات بشكل متزامن، من خلال مشاركة المعلمات بين جميع هذه النماذج. وبالتالي يمكننا استخدام النموذج الأكثر ملاءمة لكل مهمة استدلالية، وتكون المجموعات من هذه النماذج ذات الترتيبات المختلفة متاحة على الفور. بالإضافة إلى ذلك، على عكس النموذج الأصلي NADE، فإن إجراءنا للتدريب يتوافق مع النماذج العميقة. عملياً، تحصل المجموعات من نماذج Deep NADE على أداء تقدير كثافة بيانات رائد في مجاله.