Die Merkmals Transformation durch Selbst-Optimal-Transport (Self-Optimal-Transport, SOT) ist darauf ausgelegt, die Menge der Merkmale einer Dateninstanz zu verbessern, um nachgeschaltete Zuordnungs- oder Gruppierungsaufgaben zu erleichtern. Die transformierte Menge kodiert eine reichhaltige Darstellung höherer Ordnungsbeziehungen zwischen den Instanzenmerkmalen. Die Distanzen zwischen den transformierten Merkmalen erfassen sowohl ihre direkte ursprüngliche Ähnlichkeit als auch ihre Übereinstimmung über Dritte hinsichtlich der Ähnlichkeit zu anderen Merkmalen in der Menge. Ein spezielles Minimalkosten-Maximalfluss-Fraktionszuordnungsproblem, dessen entropie-regularisierte Version durch eine Optimal-Transport-Optimierung (optimal transport, OT) angenähert werden kann, führt zu unserer transduktiven Transformation, die effizient, differenzierbar, äquivariant, parameterlos und wahrscheinlichkeitstheoretisch interpretierbar ist. Empirisch hat sich die Transformation als hochwirksam und flexibel in ihrer Anwendung erwiesen und verbessert konsistent die Netzwerke, in die sie eingefügt wird, bei verschiedenen Aufgaben und Trainingsmethoden. Wir demonstrieren ihre Vorzüge am Beispiel des unüberwachten Clusterns sowie ihre Effizienz und weite Anwendbarkeit für Few-Shot-Klassifikation mit Stand-der-Techologie-Ergebnissen und für groß angelegte Personenerkennung.