mixup: Beyond Empirical Risk Minimization

• 类型：arxiv
• 标识：1710.09412
• 链接：https://arxiv.org/abs/1710.09412
• 主题：evaluation
• 主分类：llm-infra
• 形态：method
• 被引：12275
• 被引来源：Semantic Scholar
• S2被引：12275
• OpenAlex被引：4804
• 影响力被引：1803
• TLDR：This work proposes mixup, a simple learning principle that trains a neural network on convex combinations of pairs of examples and their labels, which improves the generalization of state-of-the-art neural network architectures.
• OpenAlex ID：W2765407302
• OpenAlex DOI：10.48550/arxiv.1710.09412
• DOI：10.48550/arxiv.1710.09412
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1710.09412
• OpenAlex更新：2026-08-25
• 待LLM分类：否
• 成熟度：production
• 场景：data augmentation、regularization、empirical risk
• 标题中文：mixup：超越经验风险最小化
• TLDR中文：本文提出了 mixup，一种通过对样本对及其标签的凸组合来训练神经网络的简单学习原则，提升了 SOTA 神经网络架构的泛化能力。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]