इस पत्र में, हम सहपरिवर्ती विस्थापन समस्या, अर्थात्, तंत्रिका नेटवर्कों के सामान्यीकरण प्रदर्शन में गिरावट, जब प्रशिक्षण और परीक्षण डेटा का वितरण भिन्न होता है लेकिन सशर्त वितरण समान होते हैं, को संबोधित करने के लिए सिंकहॉर्न डाइवर्जेंस पर आधारित एक नवीन डोमेन अनुकूलन (DA) एल्गोरिथम, SIDDA, प्रस्तावित करते हैं। SIDDA न्यूनतम हाइपरपैरामीटर ट्यूनिंग और कम्प्यूटेशनल लागत के साथ प्रभावी डोमेन संरेखण प्राप्त करता है। हम विभिन्न जटिलताओं वाले सिम्युलेटेड और वास्तविक डेटासेट (जैसे, सरल आकृतियाँ, हस्तलिखित अंक और खगोलीय प्रेक्षण डेटा) पर SIDDA की प्रभावशीलता को प्रदर्शित करते हैं, और यह दर्शाते हैं कि यह वर्गीकरण सटीकता और मॉडल अंशांकन में सुधार करने में प्रभावी है, खासकर जब इसका उपयोग समतुल्य तंत्रिका नेटवर्क (ENN) के साथ किया जाता है। SIDDA वर्गीकरण सटीकता में लगभग 40% तक सुधार प्राप्त करता है और मॉडल अंशांकन में उल्लेखनीय सुधार करता है (ECE और ब्रियर स्कोर में 10 गुना से अधिक सुधार)। यह विभिन्न तंत्रिका नेटवर्क आर्किटेक्चर के साथ संगत है और बहु-डेटासेट अध्ययनों में सामान्यीकरण योग्य मॉडल के विकास को सक्षम बनाता है। इसके अतिरिक्त, हम विभिन्न डिग्री के डायहेड्रल समूहों $D_N$ के साथ ENNs में डोमेन अनुकूलन के प्रभाव का अध्ययन करते हैं और पाते हैं कि आइसोमोर्फिज्म की डिग्री बढ़ने पर मॉडल का प्रदर्शन बेहतर होता है।
