Mixup Augmentation with Multiple Interpolations

Mixup及其变体是一种流行的数据增强技术。它使用随机样本对，通过输入和标签的线性插值生成一个新样本。然而，仅生成一个插值可能限制其增强能力。本文提出了一个简单而有效的扩展，称为Multi-mix，它从样本对中生成多个插值。通过生成的有序样本序列，Multi-mix可以比标准mixup更好地指导训练过程。此外，从理论上讲，这也可以减少随机梯度方差。在多个合成和大规模数据集上进行的大量实验表明，Multi-mix在泛化、鲁棒性和校准方面优于各种mixup变体和非mixup基线。

本论文试图提出一种新的数据增强方法，名为multi-mix，用于改进已有的mixup方法，以提高模型的泛化性能、鲁棒性和校准性。

multi-mix方法通过从样本对中生成多个插值样本，以更好地指导训练过程，并减少随机梯度方差。

论文使用了多个合成数据集和大规模真实数据集进行实验，表明multi-mix方法在泛化性能、鲁棒性和校准性方面优于其他mixup方法和非mixup基线。论文开源了代码。

与此相关的最近研究包括CutMix和Ricap等数据增强方法。