【数据增强】Mixup

方法来源

Mixup是2018年发表在ICLR上的一种数据增强方法，它通过将多组不同数据集的样本进行线性组合，生成新的样本，从而扩充数据集。
核心思想是从每个batch中随机选择两张图像，并以一定比例混合生成新的图像，新图像的标签也是进行线性组合得到的。
需要注意的是，全部训练过程都只采用混合的新图像训练，原始图像不参与训练过程。
Mixup是发源于CV领域的一种数据增强技术，发展到现在不仅在CV领域，在NLP、时间序列预测等领域都有其踪影，是一种提分神器。
Mixup也可以增加数据集的多样性，从而降低模型的方差，提高模型的鲁棒性。

paper：mixup: Beyond Empirical Risk Minimization

存在问题：大型深度神经网络功能强大，但表现出不良行为，如对记忆和对抗性实例的敏感性。
Mixup是一种简单有效的数据增强方法（学习原则），能够缓解这些问题。

Mixup核心公式

其中$x_i$