現代の深層ニューラルネットワークは、訓練分布とテスト分布が同一である場合に高い精度を達成できるが、実際の現場ではこの仮定が頻繁に破綻する。訓練分布とテスト分布が不一致となると、精度は急激に低下する。現在、本番環境で遭遇する予期せぬデータ分布の変化に対してロバスト性を向上させる手法は限られている。本研究では、画像分類器のロバスト性および不確実性推定を改善するための手法を提案する。我々は、実装が容易で計算オーバーヘッドが限定的であり、予期しないノイズや損傷に対してモデルの耐性を高めるデータ処理手法「AugMix」を提案する。AugMixは、困難な画像分類ベンチマークにおいて、ロバスト性および不確実性評価の性能を著しく向上させ、場合によっては従来手法と最良の可能な性能との差を半分以上縮小する効果を発揮した。