본 논문은 Mixup이라는 데이터 증강 기법의 단점인 매니폴드 불일치 문제를 해결하기 위한 새로운 방법을 제시합니다. Mixup은 훈련 샘플의 선형 보간을 통해 예측 성능과 보정 성능을 향상시키지만, 무분별한 데이터 혼합은 잘못된 레이블을 할당할 가능성을 높일 수 있습니다. 본 연구는 혼합할 데이터 간의 거리가 멀수록 잘못된 레이블을 할당할 가능성이 증가함을 보이고, 샘플 간 유사성에 따라 보간 계수의 기저 분포를 동적으로 변경하는 유연한 프레임워크를 제안합니다. 이를 통해 예측 성능과 보정 성능을 향상시키면서 효율성까지 높일 수 있음을 다양한 실험을 통해 입증합니다.
