الشبكات العصبية العميقة الحالية (DNNs) يمكن أن تتعرض بسهولة للتشوه عند تدريبها على بيانات متحيزة تحتوي على تسميات مشوهة أو عدم توازن في الفئات. تعتبر استراتيجية إعادة وزن العينات من الأساليب الشائعة المستخدمة لتخفيف هذه المشكلة، وذلك من خلال تصميم دالة وزن تربط بين خسارة التدريب ووزن العينة، ومن ثم التكرار بين إعادة حساب الأوزان وتحديث المصنف. ومع ذلك، فإن الأساليب الحالية تحتاج إلى تحديد يدوي مسبق لدالة الوزن بالإضافة إلى معلماتها الفائقة الإضافية. وهذا يجعلها صعبة التطبيق بشكل عام في الممارسة العملية بسبب التباين الكبير في الخطط المناسبة للوزن التي تعتمد على المشكلة محل البحث وبيانات التدريب. لحل هذه المشكلة، نقترح طريقة قادرة على تعلم دالة وزن صريحة بطريقة تكيفية مباشرة من البيانات. تكون دالة الوزن عبارة عن شبكة متعددة الطبقات (MLP) ذات طبقة خفية واحدة، والتي تمثل تقريبًا شاملًا لأي دوال مستمرة تقريبًا، مما يجعل الطريقة قادرة على ملاءمة مجموعة واسعة من دوال الوزن، بما في ذلك تلك التي يتم افتراضها في الأبحاث التقليدية. بمساعدة كمية صغيرة من البيانات الوسيطة غير المتحيزة، يمكن تحديث معلمات دالة الوزن بدقة مع عملية تعلم المصنفات بشكل متزامن. تؤكد التجارب الصناعية والواقعية قدرة طرقتنا على تحقيق دوال وزن مناسبة في حالات عدم التوازن بين الفئات والتسميات الضوضائية، مع الامتثال الكامل للإعدادات الشائعة في الطرق التقليدية وأيضًا السيناريوهات الأكثر تعقيدًا التي تتجاوز الحالات التقليدية. هذا يؤدي بطبيعته إلى تحقيق دقتها الأفضل مقارنة بالطرق الرائدة الأخرى.