يعد نهج المصفوفة هانكيل ذات الرتبة المنخفضة القائمة على المرشح المُدمِّر (ALOHA) أحد أحدث نهج الاستشعار المضغوط الذي يقوم بتعويض البيانات الناقصة في مجال الك-مساحة مباشرة باستخدام إكمال المصفوفة هانكيل ذات الرتبة المنخفضة. يعود نجاح ALOHA إلى التمثيل الإشارات الموجز في مجال الك-مساحة، وذلك بفضل الثنائية بين الهيكلية ذات الرتبة المنخفضة في مجال الك-مساحة والخلوص في المجال الصوري. مستوحى من الاكتشاف الرياضي الحديث الذي يربط الشبكات العصبية التلافيفية بهندسة المصفوفة هانكيل باستخدام أساس الإطار القائم على البيانات، نقترح هنا خوارزمية تعلم عميقة بالكامل قائمة على البيانات لتعويض بيانات الك-مساحة. يمكن تطبيق شبكتنا أيضًا بسهولة على مسارات الك-مساحة غير الديكارتية عن طريق إضافة طبقة إعادة تشكيل إضافية ببساطة. تظهر التجارب العددية الواسعة أن الطريقة المقترحة للتعلم العميق تتفوق بشكل متسق على الأساليب الحالية للتعلم العميق في المجال الصوري.