غالبًا ما تفشل شبكات العصبونات المتلافهة (CNNs) في الحفاظ على أدائها عند مواجهتها لمجالات اختبار جديدة، وهي مشكلة معروفة باسم مشكلة التحول بين المجالات (domain shift). تشير الدراسات الحديثة إلى أن أحد الأسباب الرئيسية لهذه المشكلة هو الانحياز الاستقرائي القوي لشبكات العصبونات المتلافهة نحو أساليب الصور (أي النسيج) التي تكون حساسة للتغيرات في المجال، بدلاً من المحتوى (أي الأشكال). مستوحىً من هذا، نقترح تقليل الانحياز الأساسي للأسلوب في شبكات العصبونات المتلافهة لإغلاق الفجوة بين المجالات. شبكاتنا المستقلة عن الأسلوب (Style-Agnostic Networks - SagNets) تقوم بفصل ترميزات الأسلوب عن فئات الصفوف لمنع التنبؤات المنحازة للأسلوب والتركيز أكثر على المحتوى. أظهرت التجارب الواسعة أن طريقتنا تقلل بشكل فعال من الانحياز الأسلوبي وتجعل النموذج أكثر صلابة تحت التحول بين المجالات. كما حققت تحسينات ملحوظة في الأداء في مجموعة واسعة من المهام عبر المجالات، بما في ذلك التعميم بين المجالات، والتكيف غير المشرف بين المجالات، والتكيف شبه المشرف بين المجالات على عدة مجموعات بيانات.