通过在两个数据集（CIFAR-100 和 ImageNet）上使用三种 MSDA 方法（Mixup、CutMix 和 PuzzleMix）进行实验，我们展示了 Mixed sample data augmentation（MSDA）的效果与类别相关，部分类别的性能得到了提升而其他类别则有所下降。为了减少类别依赖性，提出了 DropMix 方法，该方法从 MSDA 计算中排除了特定百分比的数据，并且通过在 MSDA 数据和非 MSDA 数据的组合上进行训练，不仅可以改善以前由于 MSDA 而导致性能下降的类别，还可以提高整体的平均准确率。

Jul, 2023

通过引入一种名为 MiAMix 的新的 mixup 方法，将图像增强与 mixup 框架相结合，同时利用多种多样的混合方法，并通过随机选择混合掩码增强方法来改进混合方法，该研究表明 MiAMix 在提高性能的同时降低了计算负载。

Aug, 2023

数据增强是一种有效训练深度卷积神经网络以限制数据的方法，本研究探讨了基础增强技术、如混合样本数据增强和无参数的 RandAugment 变体 Preset-RandAugment，在完全监督的情境下证明了 Preset-RandAugment 在有限数据情况下的出色表现，通过引入一种名为 RandMSAugment 的新型数据增强技术，有效结合了现有方法的优势，在 CIFAR-100、STL-10 和 Tiny-Imagenet 数据集上取得了显著的性能提升，无需超参数调整和繁琐的优化过程。

Nov, 2023

数据增强通过合成更多的训练样本提高深度学习模型的泛化能力。TransformMix 是一种自动化方法，通过应用学习到的变换和混合扩增策略来创建具有正确和重要信息的混合图像，从而提高性能。

Mar, 2024

提出了一种简单而有效的插值数据增强方法 MSMix，并在三个中文意图识别数据集上进行了实验，结果表明该方法在全样本和小样本配置下均取得了比其他方法更好的结果。

May, 2023

通过对数据进行增强，尤其是在训练数据有限的情况下，数据增强技术可以显著提高计算机视觉模型的泛化能力。然而，由于不同 ially private learning 方法固有的假设，即每个训练图像对学习模型的贡献是有限的，这些技术与不同 ially private 学习方法在基本上不兼容。本文研究了为什么多样本数据增强技术（如 mixup）的朴素应用无法取得良好的性能，并提出了两种新型的数据增强技术，专门针对不同 ially private 学习的约束条件。我们的第一种技术 DP-Mix_Self 通过在自我增强的数据上执行 mixup，在一系列数据集和设置中实现了具有 SoTA 分类性能。我们的第二种技术 DP-Mix_Diff 通过将来自预训练扩散模型的合成数据纳入 mixup 过程中，进一步提高了性能。我们在此 URL 中开源了代码。

Nov, 2023

通过使用 MixCut 方法进行数据增强，本研究在面部表情图像识别中实现了 85.63% 和 87.88% 的分类准确率，相较于 CutOut，Mixup 和 CutMix 等三种数据增强方法分别提高了 0.59%，0.36%，0.39% 和 0.22%，0.65%，0.5% 的分类准确率。

May, 2024

本文提出了 SDMP 方法来捕捉数据混合的内在相关性，将混合的图像作为额外的正对，从而在自监督表示学习中提高了学习框架的准确度和鲁棒性，是首个成功利用数据混合来提高视觉 Transformer 性能的方法。

Jun, 2022

通过交替优化分类器和混合样本生成器，我们提出了一种对抗性自动混合增强方法 AdAutomixup，用于生成具有挑战性的样本以训练强大的图像分类器，并通过引入指数移动平均教师和余弦相似度来防止图像内在意义的崩溃。大量实验证明，我们的方法在各种分类场景中优于现有技术水平。

Dec, 2023

我们提出的名为 ChimeraMix 的深度学习网络架构通过生成实例组合的数据增强方式，解决了在小数据集上进行深度学习的限制，并在基准数据集上展示了优于现有同类方法的分类性能。

Feb, 2022