في هذه الورقة، نقترح استغلال إطار العمل الجانبي (Side-tuning) لتصنيف المستندات متعددة الوسائط. يُعدّ "التحديث الجانبي" منهجية جديدة لتعديل الشبكات، تم تقديمها مؤخرًا لحل بعض المشكلات المرتبطة بالأساليب السابقة. وبفضل هذه التقنية، أصبح من الممكن فعليًا التغلب على قسوة النموذج ونسيان الكارثة الناتج عن التعلم المنقول من خلال التخصيص الدقيق (fine-tuning). وتستخدم الحل المُقترح هندسات تعلم عميق جاهزة، معتمدة على إطار العمل الجانبي، لدمج نموذج أساسي مع سلسلة من شبكتين جانبيتين. ونُظهر أن تحديث الجوانب يمكن توظيفه بنجاح حتى عند النظر في مصادر بيانات مختلفة، مثل النصوص والصور في تصنيف المستندات. وتُظهر النتائج التجريبية أن هذا النهج يدفع حدود دقة تصنيف المستندات إلى أقصى حد ممكن مقارنةً بأفضل النماذج الحالية.