回归通过分类（Regression via Classification, RvC）是深度学习中常用的一种解决回归问题的方法，其中目标变量属于一组连续值。通过将目标变量离散化为一组互不重叠的类别，研究表明训练分类器可以提高神经网络的准确性，相较于使用传统的回归方法。然而，如何选择这些离散类别以及它们对整体解决方案的影响尚不清楚。在本研究中，我们提出同时使用多种离散数据表示可以改善神经网络的学习效果，优于单一表示方法。我们的方法具有端到端可微分性，并且可以作为常规学习方法（如深度神经网络）的一个简单扩展进行添加。我们在三个具有挑战性的任务上测试了该方法，并展示了与基线RvC方法相比，我们的方法在保持相似模型复杂度的情况下显著降低了预测误差。