تُركّز الطرق التقليدية للتعلّم المُشرَّف على إنشاء خريطة من الميزات المُدخلة إلى التصنيفات المخرجة. وبعد التدريب، تُطبّق النماذج المُتعلّمة وحدها على ميزات الاختبار للتنبؤ بالتصنيفات المخرجة بشكل منفصل، مما يُهدر بيانات التدريب ويتجاهل علاقاتها. وللاستفادة الكاملة من كمية البيانات الكبيرة المستخدمة في التدريب وعلاقتها، نقترح نموذجًا تعليميًا جديدًا يُسمّى التعلّم المرتبط بالذاكرة (MAD Learning). نبدأ بإدخال مكوّن إضافي يُسمّى "الذاكرة" لحفظ جميع بيانات التدريب. ثم نتعلّم الفروقات بين التصنيفات والعلاقات بين الميزات من خلال دمج معادلة تفاضلية مع بعض طرق العيّنة. وأخيرًا، في مرحلة التقييم، نتنبأ بالتصنيفات غير المعروفة من خلال استنتاج منطقي من الحقائق المحفوظة في الذاكرة، بالإضافة إلى الفروقات والروابط المُتعلّمة، وبطريقة ذات معنى هندسي. نُبنى هذه النظرية بسلاسة في الحالات الأحادية، ونطبّقها على التعرف على الصور، ثم نمدها إلى حالة ثنائية تمثل تنبؤ الروابط، حيث تتفوّق طريقة لدينا على نماذج الحد الأدنى المتطورة للغاية على مجموعة بيانات ogbl-ddi.