RC-Mixup：针对回归任务中噪声数据的鲁棒数据增强策略

我们研究了在存在噪声数据的回归任务上进行鲁棒数据增强的問題。数据增强對於擴展深度學習模型至關重要，但大多數技術如流行的Mixup方法主要設計用於影像數據上的分類任務。最近，還有一些專門針對回归任務的Mixup技術，如C-Mixup。在與Mixup相比，C-Mixup基於樣本的標籤距離更審慎地選擇混合的樣本，以獲得更好的回归性能。然而，C-Mixup不區分噪聲樣本與乾淨樣本，這在混合時可能導致次優的模型性能。同時，健全的訓練已被廣泛研究，其目標通過多輪模型訓練對抗噪聲數據以訓練準確的模型。因此，我們提出了數據增強策略RC-Mixup，將C-Mixup與多輪健全訓練方法緊密集成，以實現協同效應。特別是，C-Mixup有助于健全訓練識別乾淨數據，而健全訓練為C-Mixup提供更乾淨的數據以實現更好的性能。RC-Mixup的關鍵優勢在於它是數據導向的，健全模型訓練算法本身無需修改，即可從數據混合中獲得益處。我們在實驗中展示了RC-Mixup在噪聲數據基準測試中遠遠優於C-Mixup和健全訓練基線，並可與各種健全訓練方法集成。