画像分類タスクにおいて優れた性能を発揮するものの、ディープニューラルネットワークは訓練データに見られない歪み（corruption）に対しては一般化能力に難がある。この脆弱性を克服するために、従来の研究では複雑なデータ拡張戦略が提案されてきた。複数の手法を組み合わせて訓練データを豊かにするものであり、その目的はモデルのロバスト性を高めることにある。しかしながら、これらの手法には複雑な設計選択やヒューリスティックが含まれており、どの要素が実際にロバスト性の向上に寄与しているのかを理解することが困難である。本研究では、こうした課題に立ち向かうために、原理に基づいたアプローチを採用し、一般的な歪みに対するロバスト性を実現することを目指す。そこで、最大エントロピー（max-entropy）に基づく単純ながら豊かな画像変換族に依拠する汎用的なデータ拡張手法「PRIME」を提案する。PRIMEは、従来の手法を上回る歪みに対するロバスト性を示す一方で、その単純さとプラグアンドプレイ（plug-and-play）性により、他の手法と組み合わせてさらにロバスト性を向上させることが可能である。さらに、PRIMEの分析を通じて、歪み画像の合成における混合戦略（mixing strategy）の重要性を明らかにし、一般的な歪みの文脈におけるロバスト性と精度のトレードオフの本質を解明する。最後に、本手法の計算効率の高さが、オンラインおよびオフラインのデータ拡張スキームの両方において容易に適用可能であることを示す。