مقارنةً بعمليات التجميع العالمية للتوافقي في الشبكات العصبية التلافيفية العميقة (CNNs) الحالية، يمكن لعمليات التجميع العالمية للتغاير أن تلتقط إحصاءات أثرى للسمات العميقة، مما يحمل إمكانية تحسين قدرات التمثيل والتوسيع للشبكات العصبية التلافيفية العميقة. ومع ذلك، فإن دمج عمليات التجميع العالمية للتغاير في الشبكات العصبية التلافيفية العميقة يجلب تحديين: (1) تقدير متين للتغاير مع سمات عميقة ذات بُعد عالٍ وحجم عيّنة صغير؛ (2) استخدام مناسب لهندسة التغايرات. لحل هذه التحديات، نقترح عملية تجميع عالمية مُعَدَّلَة بالقوى للمصفوفة (MPN-COV). يتبع MPN-COV مقدرًا متينًا للتغاير، وهو جدًا مناسب للمواقف ذات البُعد العالي والحجم الصغير للعينة. كما يمكن اعتباره مقياس القوى الأورثوذكسي بين التغايرات، مما يستغل هندستها بشكل فعال. بالإضافة إلى ذلك، تم اقتراح شبكة غرس جاوسية عالمية لدمج الإحصائيات من الدرجة الأولى في MPN-COV. لتحقيق تدريب سريع للشبكات MPN-COV، نقوم بتنفيذ تطبيع الجذر المربع المصفوفي التكراري، مما يتجنب تحليل القيم الذاتية غير الصديق للـ GPU الذي يكون جوهريًا في MPN-COV. بالإضافة إلى ذلك، تم تقديم التوافقي 1x1 المتقدم والتوافقي الجماعي لتقليل تمثيلات التغاير. تعتبر الأساليب المقترحة شديدة التناسق ويمكن دمجها بسهولة في الشبكات العصبية التلافيفية العميقة الحالية. تم إجراء تجارب واسعة النطاق على تصنيف الأشياء على نطاق كبير، تصنيف المشاهد، الاعتراف البصري الدقيق والتصنيف النسجي، مما يظهر أن أساليبنا تتفوق على المثيلاتها وتحقق أداءً رائدًا في المجال.