تم اقتراح عدة طرق تعتمد على التحليل التجزئي للاستفادة من الخصائص المتقاطعة من الدرجة الثانية أو أعلى لتعزيز أداء النماذج التنبؤية. وغالبًا ما تقوم هذه الطرق بتصنيف جميع الخصائص المتقاطعة ضمن حد أقصى مسبق محدد، ثم تحديد التفاعلات المفيدة بين الخصائص من خلال تدريب النموذج، مما يُعاني من عيبين رئيسيين. أولاً، يجب عليها التوفيق بين قدرة الخصائص المتقاطعة من درجات عالية على التعبير عن الأنماط المعقدة والتكلفة الحسابية المرتبطة بها، ما يؤدي إلى تنبؤات غير مثلى. ثانيًا، تصنيف جميع الخصائص المتقاطعة، بما في ذلك تلك غير ذات صلة، قد يؤدي إلى إدخال توليفات مزعجة للخصائص تُضعف أداء النموذج. في هذه الدراسة، نقترح نموذجًا جديدًا يُسمى الشبكة التجزئية التكيفية (AFN)، الذي يتعلم الخصائص المتقاطعة من درجات غير محددة مسبقًا بشكل تكيفي من البيانات. ويعتمد جوهر AFN على طبقة تحويل لوغاريتميّة تحوّل القوة التي يمتلكها كل خاصية في توليفة خصائص إلى معامل يجب تعلمه. وأظهرت النتائج التجريبية على أربع مجموعات بيانات حقيقية تفوق أداء AFN على أحدث النماذج المتطورة في المجال.