تصنيف البيانات التسلسلية الطويلة هو مهمة مهمة في التعلم الآلي وتظهر في العديد من السياقات التطبيقية. تُعد الشبكات العصبية التكرارية (Recurrent Neural Networks)، والمحولات (Transformers)، والشبكات العصبية التلافيفية (Convolutional Neural Networks) ثلاث تقنيات رئيسية لاستخلاص المعرفة من البيانات التسلسلية. ومن بين هذه الأساليب، حققت الشبكات العصبية التلافيفية الزمنية (Temporal Convolutional Networks - TCNs)، التي تتميز بقابلية التوسع إلى تسلسلات طويلة جدًا، تقدمًا ملحوظًا في التنبؤ بسلسلة الزمن. ومع ذلك، فإن أداء TCNs في تصنيف التسلسلات ليس مرضيًا، وذلك لأنها تستخدم بروتوكول اتصال مُتَمَيِّز (مُنْحَرِف) وتُخرِج الفئات في الموضع الأخير فقط. ويعمل هذا التفاوت على تقييد أدائها في المهام التي تعتمد على التسلسل بأكمله، مثل التصنيف. في هذا العمل، نقترح معمارية متماثلة على مقاييس متعددة تُسمى الشبكة العصبية التلافيفية الدائرية المُمددَة (Circular Dilated Convolutional Neural Network - CDIL-CNN)، حيث يحصل كل موضع على فرصة متساوية لاستقبال المعلومات من المواقع الأخرى في الطبقات السابقة. تعطي نموذجنا قيم التصنيف (logits) في جميع المواقع، ويمكننا تطبيق تقنية تعلم تجميعي بسيطة لتحقيق قرار أفضل. وقد تم اختبار نموذج CDIL-CNN على مجموعة متنوعة من مجموعات البيانات التسلسلية الطويلة. وأظهرت النتائج التجريبية أن أسلوبنا يتفوق على العديد من الأساليب الرائدة حاليًا.