我们通过扩展输入范围，不仅包括测量的特征，还包括物理参数，研究了一种使用神经网络构建的机器学习分类器的新结构，并将其应用于高能物理中的问题。 物理参数代表着平滑变化的学习任务，并且生成的参数化分类器可以在它们之间平滑地内插，并替换以单个值训练的分类器集。 即使在需要深度学习的复杂问题上，这也简化了训练过程并提高了中间值的性能。 应用程序包括根据理论模型参数（例如粒子的质量）进行参数化的工具，这些工具允许单个网络在整个质量范围内提供更好的辨别力。 该概念易于实现，并可以优化插值结果。