تعد تنظيم الشبكات العصبية العميقة من القضايا المهمة لتحقيق أداء تعميم أعلى دون مشاكل التكيف الزائد. رغم أن طريقة الـ Dropout الشائعة توفر تأثيرًا تنظيميًا، إلا أنها تسبب خصائص غير متسقة في الإخراج، مما قد يؤدي إلى تدهور أداء الشبكات العصبية العميقة. في هذه الدراسة، نقترح وحدة جديدة تسمى التجميع العشوائي المتوسطي (Stochastic Average Pooling)، والتي تدمج عشوائية مشابهة لـ Dropout في عملية التجميع. نصف خصائص التسجيل العشوائي والتجميع المتوسطي ونستفيد منها لتصميم وحدة لا تعاني من أي مشكلة عدم اتساق. يحقق التجميع العشوائي المتوسطي تأثيرًا تنظيميًا دون أي تدهور محتمل في الأداء بسبب مشكلة عدم الاتساق، ويمكن دمجه بسهولة في الهياكل الحالية للشبكات العصبية العميقة. أظهرت التجارب أن استبدال التجميع المتوسطي الحالي بالتجميع العشوائي المتوسطي يؤدي إلى تحسينات متسقة عبر مجموعة متنوعة من المهام والقواعد البيانات والنماذج.