论文标题：MixupE: Understanding and Improving Mixup from Directional Derivative Perspective

论文链接：https://arxiv.org/abs/2212.13381

作者单位：蒙特利尔大学 & 阿尔托大学 & 谷歌大脑

Mixup是一种流行的数据增强技术，用于训练深度神经网络，其中通过线性插值输入对及其标签生成额外的样本。众所周知，这种技术可以提高许多学习范式和应用中的泛化性能。在这项工作中，我们首先分析Mixup，并表明它隐式正则化了所有阶的无限多方向导数。然后，我们提出了一种基于新颖洞察力的新方法来改进Mixup。为了证明所提出方法的有效性，我们跨图像、表格数据、语音和图等各个领域进行了实验。我们的结果表明，所提出的方法使用各种架构改进了各种数据集的Mixup，例如，在ImageNet Top-1准确率方面比Mixup提高了0.8%。

内容中包含的图片若涉及版权问题，请及时与我们联系删除