是的，数据增强可以在推理阶段应用，但这取决于具体问题和模型的用途。虽然数据增强传统上用于训练阶段，通过创建输入数据的合成变体（例如旋转图像或添加噪声）来提高泛化能力，但它也可以策略性地应用于推理阶段。这种方法通常称为测试时增强（Test-Time Augmentation, TTA），它包括生成输入样本的修改版本，对每个版本运行预测，然后结合结果生成最终输出。当模型预测需要考虑单个输入实例可能无法完全捕捉的现实世界变异性时，TTA 尤其有用。
例如，在图像分类任务中，模型可能会处理测试图像的多个增强版本——例如翻转、裁剪或亮度调整后的副本——并对预测结果进行平均，以减少噪声或不确定性。这可以在输入数据模糊或包含伪影的情况下提高准确性。在医学影像中，单个 MRI 扫描可能在方向或对比度上存在细微差异，应用 TTA 有助于模型处理这些不一致性。类似地，在自然语言处理中，推理阶段的释义或同义词替换可以帮助文本分类模型更好地处理措辞变体。然而，TTA 需要仔细实施，以避免引入可能降低性能的不相关变体。
虽然 TTA 可以增强鲁棒性，但它也有权衡。生成多个增强输入会增加计算成本和推理延迟，这对于实时应用可能不可行。开发者还必须选择与问题领域相符的增强技术。例如，对数字识别任务应用随机旋转可能有用，但对灰度图像使用颜色偏移则不相关。TensorFlow 或 PyTorch 等框架通过允许对增强输入进行批量处理来简化 TTA 的实现。最终，是否使用推理时增强取决于平衡准确性收益与资源限制，并确保增强能够有效解决模型的弱点。