أظهرت الأبحاث الحديثة أن دمج التكافؤ في هياكل الشبكات العصبية يكون مفيدًا للغاية، وقد تم إجراء بعض الأعمال لفحص تكافؤ الشبكات تحت أفعال المجموعات. ومع ذلك، نظرًا لأن الصور الرقمية وخرائط الميزات تكون على شبكة منفصلة، فإن مجموعات التحويل التي تحافظ على التكافؤ تكون محدودة جدًا. في هذا العمل، نتعامل مع هذه المشكلة من خلال الارتباط بين التلافيف والمؤثرات الجزئية التفاضلية (PDOs). نظريًا، بافتراض أن المدخلات ناعمة، قمنا بتحويل المؤثرات الجزئية التفاضلية واقترحنا نظامًا يتمتع بالتكافؤ لمجموعة مستمرة أكثر عمومية، وهي مجموعة الأوروبية ذات البعد $n$n. في التنفيذ، قمنا بتمثيل النظام بشكل منفصل باستخدام خطط العدد للمؤثرات الجزئية التفاضلية، مما أدى إلى استنتاج تلافيف تقريبية تحافظ على التكافؤ (PDO-eConvs). نظريًا، يكون خطأ التقريب لـ PDO-eConvs من الرتبة التربيعية. إنها المرة الأولى التي يتم فيها تقديم تحليل الخطأ عندما يكون التكافؤ تقريبيًا. أظهرت التجارب الواسعة على صور MNIST المحولة وتصنيف الصور الطبيعية أن PDO-eConvs تحقق نتائج تنافسية وتستخدم المعلمات بكفاءة أكبر بكثير. وبشكل خاص، مقارنةً بشبكات ResNets الواسعة، أدت طرقنا إلى تحقيق نتائج أفضل باستخدام فقط 12.6٪ من المعلمات.