در بسیاری از مواقع، یک دستهبندیکننده سريال تنها نمیتواند همه تغییرپذیریهای[1] ممکن درونکلاسی[2] را برای کلاس هدف مدیریت کند [49]. در نتیجه، عمومیت[3] دستهبندیکننده سريال در مواجهه با مجموعه دادههای پیچیده، به خطر میافتد. برای رفع این مشکل، یکی از راه حلهای موجود، شکستن مساله به زیر مسالههای کوچکتر است.
همانگونه که قبلا ذکر شد، نمونههای آموزشی کلاس هدف میتوانند به زیرمجموعههایی تقسیم شوند که هر کدام نمایانگر یک زیرالگو[4] باشد [50]. در این صورت، معمولا برای هر زیرالگو، یک دستهبندیکننده سريال آموزش داده میشود. زمانی که همه دستهبندیکنندهها آموزش دیدند، در زمان اجرا از آنها به صورت همزمان و موازی استفاده میشود و نتایج حاصل از آنها با هم تلفیق میشود. این مکانیزم در شکل(2-2) قابل مشاهده است.
[1] Variability
[2] Within-class
[3] Generalization
[4] Sub-pattern