التنبؤ عبر التصنيف (RvC) هو طريقة شائعة تُستخدم في مشاكل التنبؤ ضمن التعلم العميق، حيث ينتمي المتغير المستهدف إلى مجموعة من القيم المستمرة. من خلال تقسيم الهدف إلى مجموعة من الفئات غير المتعاكسة، أظهرت الأبحاث أن تدريب مصنف يمكن أن يحسن دقة الشبكات العصبية مقارنة باستخدام نهج التنبؤ التقليدي. ومع ذلك، فإن الطريقة التي يجب اتباعها لاختيار مجموعة الفئات المنفصلة وكيفية تأثيرها على الحل العام ليست واضحة. في هذا البحث، نقترح استخدام عدة تمثيلات بيانات منفصلة بشكل متزامن يمكن أن يحسن عملية تعلم الشبكات العصبية مقارنة بتمثيل واحد. نهجنا قابل للتفاضل من النهاية إلى النهاية ويمكن إضافته كامتداد بسيط للطرق التعليمية التقليدية مثل الشبكات العصبية العميقة. نختبر طريقتنا على ثلاث مهمات صعبة ونوضح أنها تقلل من خطأ التنبؤ مقارنة بالنهج الأساسي RvC مع الحفاظ على تعقيد النموذج المماثل.