تعلم المقاييس العميق (DML) يهدف إلى تعلُّم دالة تضمين لتحويل البيانات ذات المعاني الشبيهة إلى مناطق قريبة في الفضاء التضميني، ويؤدي دورًا جوهريًا في العديد من التطبيقات مثل استرجاع الصور وتمييز الوجوه. ومع ذلك، فإن أداء طرق DML يعتمد غالبًا بشكل كبير على طرق العينة المختارة لاستخلاص بيانات فعّالة من الفضاء التضميني أثناء التدريب. في الممارسة العملية، يتم الحصول على التضمينات في الفضاء التضميني من خلال نماذج عميقة، حيث يكون الفضاء التضميني غالبًا يحتوي على مناطق خالية نظرًا لغياب نقاط التدريب، مما يؤدي إلى ما يُعرف بمشكلة "الضياع التضميني". وقد تؤدي هذه المشكلة إلى تدهور جودة العينات، ما ينجم عنه تراجع في أداء DML. في هذا العمل، نستعرض كيفية تخفيف مشكلة "الضياع التضميني" لتحسين جودة العينات وتحقيق أداء فعّال لـ DML. ولتحقيق ذلك، نقترح خطة عينة مدعومة بكثافة (DAS) التي تُعتبر التضمين المقابل لنقطة بيانات ما "مُرَكَزًا" (Anchor)، وتستغل الفضاء التضميني القريب من هذا المُركَّز لإنتاج تضمينات كثيفة دون نقاط بيانات. بشكل محدد، نقترح استغلال الفضاء التضميني المحيط بنقطة مُركَّزة واحدة باستخدام تقنية التحجيم المميز للميزات (DFS)، واستغلال عدة مراكز باستخدام تقنية التحويل المُخزَّن والانزياح (MTS). وبهذا، وبدمج التضمينات التي تحتوي على نقاط بيانات والتي لا تحتوي عليها، نكون قادرين على توفير عدد أكبر من التضمينات لتسهيل عملية العينة، وبالتالي تعزيز أداء DML. يُمكن دمج طريقةنا بسهولة في الإطارات الحالية لـ DML دون الحاجة إلى تعديلات معقدة أو إضافات مُضافة. وقد أظهرت التجارب الواسعة على ثلاث مجموعات بيانات معيارية تفوق أداء طريقةنا.