يمكن لقابلية التبديل في الشبكات العصبية الاصطناعية أن تُمكّننا من استرجاع المدخلات عند معرفة المخرجات. نقدم في هذا العمل تقنية تُسمى "محاذاة الميزات"، وهي طريقة لتقريب قابلية التبديل في الشبكات العصبية العشوائية. يتم تدريب الشبكة عن طريق تقليل المسافة بين مخرج نقطة بيانات ومخرج عشوائي بالنسبة لمدخل عشوائي. وقد طبّقنا هذه التقنية على مجموعات بيانات الصور MNIST وCIFAR-10 وCelebA وSTL-10. ونُظهر أن هذه الطريقة قادرة على استعادة الصور تقريبًا من تمثيلها المختبئ فقط، دون الحاجة إلى مُفكك (Decoder). وباستخدام صيغة مُشَبَّكَات التشفير التلقائي المتغير (Variational Autoencoders)، نُظهر إمكانية إنتاج صور جديدة تكون مماثلة إحصائيًا لبيانات التدريب. علاوةً على ذلك، نُظهر أن جودة الصور يمكن تحسينها من خلال دمج مُولِّد (Generator) مع مُميّز (Discriminator). بالإضافة إلى ذلك، نُظهر كيف يمكن استخدام هذه الطريقة، بعد بعض التعديلات البسيطة، لتدريب الشبكات محليًا، مما يمتلك إمكانية توفير موارد الذاكرة الحاسوبية.