بينما تحقق الشبكات العصبية العميقة أداءً متميزًا في مطابقة توزيع البيانات التدريبية، فإن الشبكات المُتعلمة تكون عرضة للتأقلم الزائد (overfitting) والهجمات المعاكسة (adversarial attacks). في هذا السياق، تم مؤخرًا اقتراح عدد من الطرق القائمة على مزيج (mixup) لتعزيز البيانات. ومع ذلك، تركز هذه الأساليب بشكل رئيسي على إنشاء أمثلة افتراضية لم تُرَ من قبل، وقد تُقدِّم أحيانًا إشارات إشرافية مضللة للشبكة. لمعالجة هذه المشكلة، نقترح "Puzzle Mix"، وهي طريقة مزيج (mixup) تُستخدم بشكل صريح لمعلومات التميز (saliency) والإحصائيات الكامنة وراء الأمثلة الطبيعية. يؤدي هذا إلى مشكلة تحسين مثيرة تتخلل بين الهدف متعدد التسميات (multi-label objective) لتحديد قناع المزج الأمثل، والهدف المُخفَّض حسب التميز (saliency discounted optimal transport objective). تُظهر تجاربنا أن Puzzle Mix تحقق أفضل نتائج في التعميم والمقاومة الهجومية مقارنةً بأساليب mixup الأخرى على مجموعات بيانات CIFAR-100 وTiny-ImageNet وImageNet. يمكن الوصول إلى الكود المصدري عبر الرابط: https://github.com/snu-mllab/PuzzleMix.