Die Merkmalstransformation „Balanced-Pairwise-Affinities“ (BPA) ist darauf ausgelegt, die Merkmale einer Menge von Eingabeobjekten zu verbessern, um nachgeschaltete Zuordnungs- oder Gruppierungsaufgaben zu erleichtern. Die transformierte Menge kodiert eine reichhaltige Darstellung höherer Ordnungsbeziehungen zwischen den Eingabemerkmalen. Ein spezielles Minimalkosten-Maximalfluss-Fraktur-Zuordnungsproblem, dessen entropieregularisierte Version durch eine Optimierung des optimalen Transports (OT) angenähert werden kann, führt zu einer Transformation, die effizient, differenzierbar, äquivariant, parameterlos und wahrscheinlichkeitstheoretisch interpretierbar ist. Obwohl der Sinkhorn-OT-Löser in vielen Kontexten weitgehend angepasst wurde, verwenden wir ihn anders, indem wir die Kosten zwischen einer Menge von Merkmalen und $ihnen$ihnen selbst minimieren und die Zeilen des Transportplans als neue Darstellung nutzen. 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 zeigen Stand-des-Wissens-Ergebnisse in Few-Shot-Klassifikation, unüberwachter Bildclustering und Person-Reidentifizierung. Der Quellcode ist unter \url{github.com/DanielShalam/BPA} verfügbar.