H2EDL to nowa architektura łącząca ewidencjalne uczenie głębokie z hierarchiczną klasyfikacją, rozwiązując problem reprezentacji niepewności w drzewiastych strukturach etykiet. W rozpoznawaniu drobnoziarnistym model często jest pewny co do ogólnego konceptu semantycznego, ale niepewny względem bardziej szczegółowych klas podrzędnych - wymaga to specjalnych narzędzi do reprezentacji tej strukturalnej niejednoznaczności.
Dotychczasowe rozwiązania były niepełne: płaskie klasyfikatory ewidencjalne oddają całkowitą ignorancję pojedynczym wskaźnikiem niepewności na poziomie liści, natomiast hierarchiczne klasyfikatory propagują punktowe prawdopodobieństwa bez pojęcia o ewidencji. Hyper-opinions mogłyby to ujednoczyć, ale ich ogólna forma jest wykładnicza względem liczby etykiet. Zespół zaobserwował, że sama taksonomia stanowi brakujący hiperdomeny. Jej poddrzewa i liście tworzą liniową rodzinę ogniskową, a jedna lokalna opinia Dirichleta dla każdego węzła rozgałęzienia indukuje każdą masę złożoną w postaci zamkniętej.
Model może być interpretowany na dwa komplementarne sposoby przy użyciu tego samego zestawu parametrów. Z perspektywy predykcji funkcjonuje jako klasyfikator hierarchiczny zachowujący spójność na różnych poziomach drzewa etykiet. Z perspektywy probabilistycznej definiuje ważną hiper-opinjię strukturyzowaną drzewiastą, gdzie masa przypisana każdemu węzłowi odzwierciedla zarówno niepewność na danym poziomie abstrakcji, jak i ewidencję z danych treningowych.