الشبكات العصبية العميقة (DNNs) هي أدوات قوية في تعلم قواعد الت매ين المعقدة ولكن الثابتة بين المدخلات والمخرجات، مما يحد من تطبيقاتها في الحالات الأكثر تعقيدًا وديناميكية حيث لا تبقى قواعد الت매ين ثابتة بل تتغير حسب السياقات المختلفة. لتجاوز هذه القيود، طورنا نهجًا جديدًا يتضمن خوارزمية تعلم تسمى تعديل الأوزان المتعامدة (OWM)، بالإضافة إلى وحدة معالجة تعتمد على السياق (CDP). أظهرنا أن استخدام OWM يمكن التغلب على مشكلة النسيان الكارثي، وأن وحدة CDP يمكنها تعلم كيفية إعادة استخدام تمثيل الميزات وال تصنيف للسياقات المختلفة. هذا يجعل شبكة واحدة قادرة على اكتساب العديد من قواعد الت매ين التي تعتمد على السياق بطريقة مستمرة وفي الوقت الفعلي، باستخدام ما يقارب 10 عينات فقط لكل سياق. يجب أن يمكّن هذا الأنظمة ذات الحجم الصغير جدًا من تعلم القوانين المتعددة للعالم الحقيقي بشكل تدريجي، وأن تتصرف بشكل ملائم داخله في النهاية.