深層畳み込みニューラルネットワークは大量のラベル付きデータサンプルを必要とします。多くの実世界のアプリケーションにおいて、これは大きな制約であり、一般的に増強手法によって対処されます。本研究では、小さなデータセット上で深層ニューラルネットワークを学習する問題に取り組んでいます。提案したアーキテクチャ「キメラミックス（ChimeraMix）」は、インスタンスの合成を生成することでデータ増強を学習します。生成モデルは画像をペアでエンコードし、マスクによってガイドされる特徴量を結合して新しいサンプルを作成します。評価のために、すべての手法は追加のデータなしでゼロから訓練されます。ciFAIR-10、STL-10、および ciFAIR-100 などのベンチマークデータセットにおける複数の実験により、キメラミックスが小規模データセットでの分類に関する現行の最先端手法よりも優れた性能を示していることが示されています。