過去20年間、顔面表情は人間のコミュニケーションにおいて中心的な役割を果たすため、自動顔面表情認識（FER: Automatic Facial Expression Recognition）はますます注目を集めている。多くのFER手法は、データ解析において強力なツールとして機能する深層ニューラルネットワーク（DNN: Deep Neural Networks）を活用している。しかし、その強力さにもかかわらず、これらのネットワークは過学習（overfitting）を起こしやすいという問題がある。これは、しばしば訓練データを記憶してしまう傾向があるためである。さらに、現在のところ、実際の環境（非制約環境、いわゆるin-the-wild）において利用可能な大規模なFERデータベースは限られている。この課題を緩和するため、いくつかのデータ拡張（data augmentation）技術が提案されてきた。データ拡張とは、元のデータに対して制約付きの変換を施すことにより、利用可能なデータの多様性を高める手法である。その中でも、さまざまな分類タスクにおいて良好な効果を示した手法として、Mixupがある。Mixupでは、DNNが例示データのペアとその対応するラベルの凸結合（convex combination）上で学習される。本論文では、顔の向き、照明条件、背景、文脈などに大きなばらつきを示すin-the-wild FERにおいて、Mixupの有効性を検証する。さらに、Mixupを基盤とする新たなデータ拡張戦略、すなわちMixAugmentを提案する。MixAugmentでは、仮想例と実際の例の両方を同時に用いてネットワークを学習させ、これらのすべての例が全体の損失関数に寄与する。広範な実験により、MixAugmentがMixupおよびさまざまな最先端手法を上回る有効性を実証した。また、ドロップアウトとMixup、MixAugmentの組み合わせ、および他のデータ拡張手法とMixAugmentの統合についても検討を行った。