针对数据定制的 Mixup 以增强模型校准

在迄今提出的所有数据增强技术中，训练样本的线性插值（亦称 Mixup）已被发现对大量应用有效。除提升预测性能外，Mixup 也是改善校准的良好技术。然而， careless 地混合数据会导致流形失配，即合成数据位于原始类流形之外，从而恶化校准。本工作中，我们表明使用 mixup 赋予错误标签的可能性随待混合数据间距离的增大而增大。为此，我们提出根据待混合样本间的相似度动态改变插值系数的底层分布，并定义了一个灵活的框架以在实现该点的同时不损失多样性。我们提供了分类与回归任务上的大量实验，表明所提方法在大幅提升效率的同时，改善了模型的预测性能与校准。