الهياكل العصبية التقليدية للبيانات التسلسلية تواجه تحديات مهمة. الشبكات المتكررة تعاني من مشاكل انفجار وتلاشي الميل، آفاق ذاكرة فعالة قصيرة، ويجب تدريبها بشكل متسلسل. أما الشبكات الإقحامية فهي غير قادرة على التعامل مع سلاسل ذات حجم غير معلوم، وآفق ذاكرتها يجب أن يحدد مسبقًا. في هذا البحث، نوضح أن جميع هذه المشاكل يمكن حلها من خلال صياغة النوى الإقحامية في الشبكات الإقحامية العصبية (CNNs) كدوال مستمرة. النتيجة هي الاقتران الإقحامي المستمر (CKConv)، الذي يسمح لنا بنمذجة سلاسل طويلة بشكل عشوائي ضمن عملية واحدة وبشكل مستقل عن أي شكل من أشكال التكرار. نظهر أن شبكات الاقتران الإقحامي المستمر (CKCNNs) تحقق نتائج رائدة في عدة مجموعات بيانات، مثل MNIST المتمايزة، وأنها بفضل طبيعتها المستمرة قادرة على التعامل مع البيانات ذات العينات الغير متساوية والبيانات ذات العينات الغير منتظمة بشكل طبيعي. شبكات CKCNNs تتفوق أو تساوي الأداء مع المعادلات التفاضلية العصبية (Neural ODEs) المصممة لهذه الأغراض بطريقة أسرع وأبسط.