يُعدّ ميكساب تقنية تقوية تعتمد على البيانات، وتتكوّن من تداخل خطي بين عينات الإدخال والنتائج المرتبطة بها. وقد أظهرت الدراسات أن ميكساب يُحسّن الدقة عند استخدامه في تدريب نماذج على مجموعات بيانات التعلم الآلي القياسية. ومع ذلك، أشار الباحثون إلى أن ميكساب يمكن أن يُنتج عينات افتراضية خارج التوزيع الطبيعي، بل وحتى تناقضات في مجموعة التدريب المُوسّعة، مما قد يؤدي إلى آثار عدوانية. في هذه الورقة، نقدّم ما يُسمّى بـ "ميكساب المحلي"، حيث يتم تقليل وزن العينات البعيدة عند حساب الخسارة. ونُظهر في البيئات المقيدة أن ميكساب المحلي يمكن أن يخلق توازنًا بين التحيّز والانحراف، حيث تمثل الحالتان القصويتان التدريب العادي وتقنية ميكساب الكلاسيكية على التوالي. وباستخدام معايير معيارية في مجال رؤية الحاسوب، نُظهر أيضًا أن ميكساب المحلي يمكن أن يُحسّن دقة الاختبار.