Trong bài báo này, chúng tôi đề xuất một thuật toán thích ứng miền (DA) mới, SIDDA, dựa trên phân kỳ Sinkhorn để giải quyết vấn đề dịch chuyển hiệp biến, tức là sự suy giảm hiệu suất tổng quát hóa của mạng nơ-ron khi phân phối của dữ liệu huấn luyện và kiểm tra khác nhau nhưng phân phối có điều kiện lại giống nhau. SIDDA đạt được sự liên kết miền hiệu quả với việc điều chỉnh siêu tham số và chi phí tính toán tối thiểu. Chúng tôi chứng minh hiệu quả của SIDDA trên các tập dữ liệu mô phỏng và thực tế (ví dụ: hình dạng đơn giản, chữ số viết tay và dữ liệu quan sát thiên văn) với nhiều độ phức tạp khác nhau và cho thấy rằng nó có hiệu quả trong việc cải thiện độ chính xác phân loại và hiệu chuẩn mô hình, đặc biệt là khi được sử dụng với Mạng nơ-ron tương đương (ENN). SIDDA đạt được cải thiện lên đến khoảng 40% về độ chính xác phân loại và cải thiện đáng kể hiệu chuẩn mô hình (cải thiện hơn 10 lần về điểm ECE và Brier). Nó tương thích với nhiều kiến trúc mạng nơ-ron khác nhau và cho phép phát triển các mô hình có thể tổng quát hóa trong các nghiên cứu đa tập dữ liệu. Ngoài ra, chúng tôi nghiên cứu tác động của sự thích nghi miền trong ENN với nhóm dihedral $D_N$ ở nhiều bậc khác nhau và thấy rằng hiệu suất mô hình được cải thiện khi bậc đồng cấu tăng lên.
