---

در چشم‌انداز وسیع تحلیل داده‌های مدرن، مواجهه با داده‌های شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار می‌رود. مدل‌های کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان می‌دهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدل‌های رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشته‌اند، اما کارایی آن‌ها در عصر داده‌های بزرگ و با ابعاد بسیار بالا، با محدودیت‌های جدی روبه‌رو است. این پژوهش، با نگاهی فراتر از چارچوب‌های سنتی، چارچوبی نوین مبتنی بر شبکه‌های عصبی عمیق را برای تقویت و متحول ساختن مدل‌های رگرسیون پواسون آماسیده در صفر معرفی می‌کند. این رویکرد ترکیبی، با بهره‌گیری از قدرت بی‌نظیر یادگیری عمیق در استخراج ویژگی‌های غیرخطی و پیچیده، قادر است فرایند دوگانه تولید داده‌ها (فرایند تولید صفر و فرایند شمارش) را با دقتی بی‌سابقه مدل‌سازی کند. نتایج حاصل از شبیه‌سازی‌های گسترده و کاربرد بر روی مجموعه داده‌های واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار می‌سازد.