الشبكات العصبية شائعة وفعّالة في العديد من المجالات، لكنها تعاني من مشكلة إعطاء إجابات ذات ثقة عالية بالنسبة للعينات التي تبعد عن بيانات التدريب. وهذا يجعل الشبكات العصبية واثقة جدًا في توقعاتها رغم ارتكابها أخطاء كبيرة، مما يحد من موثوقيتها في التطبيقات الحساسة للسلامة مثل القيادة الذاتية واستكشاف الفضاء، إلخ. يقدّم هذا البحث نوعًا جديدًا من الوحدات العصبية (neurons) يُعدّ الوحدة التي تعتمد على الضرب القياسي القياسي (dot-product-based neuron) والوحدة التي تعتمد على دالة الأساس الدائري (radial basis function (RBF) neuron) حالتين متطرفتين ضمن معلمة شكلية واحدة. وباستخدام وحدة التفعيل الوحدية الخطية المستقيمة (ReLU) كدالة تفعيل، يُنتج نوع جديد من الوحدات العصبية يتميز بدعم محدود (compact support)، أي أن إخراجها يكون صفرًا خارج مجال محدود. ولمعالجة الصعوبات الناتجة عن تدريب الشبكة العصبية المقترحة، يقدّم البحث طريقة تدريب جديدة تُعدّ الشبكة العصبية القياسية المُدرّبة مسبقًا وتُعدّل تدريجيًا مع زيادة معلمة الشكل إلى القيمة المرغوبة. تشمل النتائج النظرية للبحث حدًا لمشتقة الوحدة العصبية المقترحة، ودليلًا على أن الشبكة العصبية التي تستخدم مثل هذه الوحدات تمتلك خاصية التقريب الشامل (universal approximation property)، أي أنها قادرة على تقريب أي دالة مستمرة وقابلة للتكامل بدقة تُحدد حسب الحاجة. كما تظهر النتائج التجريبية على مجموعات بيانات معيارية أن النهج المقترح يحقق أخطاء تجريبية أصغر مقارنة بالأساليب التنافسية الرائدة، ويتفوق في كشف العينات الخارجة عن التوزيع (out-of-distribution samples) على اثنين من ثلاث مجموعات بيانات.