لقد كانت الشبكات العصبية العميقة القوة الدافعة وراء النجاح في مهام التصنيف، مثل التعرف على الكائنات والصوت. تم تحقيق نتائج مبهرة وتمييز عام من خلال مجموعة متنوعة من المعماريات المُقترحة حديثًا، والتي تبدو في الغالب منفصلة عن بعضها البعض. في هذه الدراسة، نقدم إطارًا موحدًا لدراسة المصنّفات العميقة. وبشكل خاص، نعبّر عن المعماريات الرائدة (مثل الشبكات المتبقية والشبكات غير المحلية) بصيغة متعدّدات حدود من درجات مختلفة للإدخال. يقدّم هذا الإطار رؤى حول التحيّزات الاستنتاجية لكل نموذج، ويسمح بتمديدات طبيعية تستند إلى الطبيعة متعدّدة الحدود لكل نموذج. تم تقييم كفاءة النماذج المقترحة على معايير قياسية لتصنيف الصور والصوت. وتُبرز النماذج المقترحة قدرتها العالية على التعبير عن البيانات، سواء من حيث تحسين الأداء أو تقليل حجم النموذج. وأخيرًا، تُظهر التوسّعات الممكنة عبر هذا التصنيف فوائد واضحة في ظل وجود بيانات محدودة وتوزيعات بيانات طويلة الذيل. نتوقع أن يُسهم هذا التصنيف في ربط المعماريات الحالية الخاصة بمجالات محددة. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: \url{https://github.com/grigorisg9gr/polynomials-for-augmenting-NNs}.