La investigación sobre la computación neuromórfica ha ganado popularidad en los últimos años. En particular, los sistemas neuronales incrustados regularizados se han aplicado en varias situaciones del mundo real significativas, como sistemas de recomendación y aprendizaje por transferencia. Este documento aborda el problema de equidad en el aprendizaje por transferencia, que ha sido insuficientemente explorado. En entornos de transferencia de equidad, el dominio fuente tiene muestras de entrenamiento con etiquetas limitadas, lo que puede llevar a una degradación del rendimiento en el dominio objetivo. Para resolver tales problemas, en este documento se propone una red neuronal incrustada en transporte óptimo basado en aumento de datos lineales. Puede aumentar las muestras fuente para equilibrar la distribución del dominio fuente y alinear simultáneamente las distribuciones fuente y objetivo. Además, la distribución de los datos aumentados por mixup se limita a un cierto límite que puede evitar la generación de muestras anormales. La efectividad del método propuesto se ha demostrado en varias pruebas de aprendizaje por transferencia, incluyendo regresión y clasificación. En las tareas de clasificación de 1 disparo y 3 disparos en el conjunto de datos de Office, la precisión de nuestro método es 4.8 y 3.9% mejor, respectivamente, que el segundo mejor modelo. Además, el rendimiento de nuestro modelo es aproximadamente 2-3 puntos porcentuales superior al segundo mejor modelo en el conjunto de datos de OfficeHome. Es simple pero efectivo, lo que lo hace perfecto para aplicaciones de IA de borde de baja potencia.