تمثّل الشبكات العصبية التلافيفية (CNNs) الحد الأقصى من التطور في العديد من مهام الرؤية الحاسوبية. وعلى الرغم من أن تنظيمها الهرمي واستخلاصها للسمات المحلية مستوحى من بنية الأنظمة البصرية للقردة، فإن غياب الاتصالات الجانبية في هذه الهياكل يُميّز تحليلها بشكل جوهري عن المعالجة البيولوجية للأجسام. وقد تم تطبيق فكرة تزويد الشبكات العصبية التلافيفية باتصالات جانبية دورية من النوع التلافيفي في السنوات الأخيرة، من خلال نوى متكررة يتم تعلّمها دون قيود هندسية. وفي هذا العمل، نقدّم نوى جانبية واقعية بيولوجيًا، تُمثّل مفهوم الارتباط بين مرشحات التغذية الأمامية للشبكة العصبية التلافيفية: في كل طبقة، تعمل النواة المرتبطة كنواة انتقالية على فضاء التنشيطات. وتُعرّف النوى الجانبية من حيث المرشحات، مما يوفر نهجًا خالٍ من المعاملات لتقدير هندسة الاتصالات الأفقية استنادًا إلى البنية التغذوية الأمامية. ثم نختبر هذه البنية الجديدة، التي نسميها KerCNN، في مهمة تعميم مرتبطة بتحليل الشكل العالمي وإكمال الأنماط: بعد تدريب الشبكة على التصنيف الأساسي للصور، تُختبر على صور مُعَرَّضة للتلف. وقد تم تصميم الاضطرابات في الصور بهدف إضعاف تمييز الصور عبر السمات المحلية، مما يتطلب دمجًا للمعلومات السياقية – وهي مسألة ترتبط بشكل حاسم بالاتصالات الجانبية في الرؤية البيولوجية. تُظهر نماذج KerCNN تفوقًا كبيرًا على الشبكات العصبية التلافيفية والشبكات التلافيفية المتكررة من حيث الاستقرار تجاه هذه التدهورات، مما يؤكد فعالية هذا النهج المستوحى من الطبيعة لتعزيز التعرف على الأجسام في الظروف الصعبة.