超越 mini-batch、成对样本与样本级别的嵌入空间插值

基于摘要分析。本文研究 Mixup 数据增强中插值样本数量及参与插值的样本范围受限的问题，提出 MultiMix：在嵌入空间对整个 mini-batch 进行插值，并生成数量不受 mini-batch 大小限制的合成样本；进一步提出 Dense MultiMix，将插值与损失计算扩展到局部位置。 核心机制：传统成对插值主要沿两个样本之间的线段生成样本，MultiMix 则在整个 mini-batch 的凸包内采样。对于序列数据，Dense MultiMix 在各空间位置密集插值特征与目标标签，并施加局部损失。针对缺乏密集标签的情况，方法继承样本级标签，并以注意力作为置信度，对插值系数加权。具体采样分布、注意力构造及损失形式尚未验证。 作者报告，在嵌入空间插值使每个 mini-batch 的损失项数量提高数个数量级，而额外成本较小；在四个基准上优于所比较的先进 Mixup 方法。摘要未提供基准名称、指标、划分及具体增益，无法据此量化收益或比较不同协议。作者还报告，嵌入空间中的类别聚集更紧密、分布更均匀，并以此解释性能改善；该解释的分析方法、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，嵌入空间凸组合可能为小样本 EEG 分类提供额外正则化，但这依赖嵌入及软标签插值具有合理语义。可优先复用 MultiMix 的批内插值机制；Dense MultiMix 则需明确 EEG 时间或通道位置的含义，并检验样本级标签与局部片段是否一致。低信噪比、跨被试差异及通道布局变化可能使凸组合偏离有效信号分布，注意力也不必然代表可靠置信度。一个可证伪的小实验是在固定被试内或跨被试划分下，以相同编码器分别比较 ERM、成对嵌入 Mixup 与 MultiMix，控制训练预算并记录分类指标和运行成本。已有 EEG 相关工作尚未检索确认。