是的，数据增强可以应用于结构化数据，但其技术与用于图像或文本等非结构化数据的技术大相径庭。 结构化数据，例如具有行和列（表示实体和特征）的表，需要增强方法来保留数据中固有的关系和约束。 与图像增强（可能涉及旋转或裁剪等转换）不同，结构化数据增强侧重于生成新的合成样本或扰动现有数据，同时保持逻辑一致性。 这种方法有助于提高模型鲁棒性、解决类不平衡问题并减轻机器学习任务中的过度拟合。
一种常见的增强结构化数据的方法是向数值特征添加受控噪声。 例如，在包含客户年龄和收入的数据集中，您可以将具有小标准差的高斯噪声应用于这些数值。 这会创建略有不同的样本，而不会破坏实际界限（例如，确保年龄保持为正数且收入不会变得高得离谱）。 另一种技术是合成少数类过采样（SMOTE），它通过在现有数据点之间进行插值来为代表性不足的类生成新实例。 如果欺诈检测数据集的欺诈案例很少，SMOTE 可以通过组合类似真实欺诈实例的特征来创建合成欺诈样本，从而保留原始数据的统计模式。
特定领域的转换也很有效。 例如，在时间序列销售数据中，您可以通过应用季节性调整（例如，模拟假日销售高峰）或在有效窗口内移动时间戳来增加记录。 可以通过在允许的类别中交换值来增加分类数据——例如，基于共同购买统计信息，将产品类别替换为相似的类别。 CTGAN（条件表格 GAN）等工具使用生成模型来创建反映原始分布的合成表格数据。 但是，开发人员必须验证增强数据，以避免引入不切实际的组合，例如医疗数据中与给定“年龄”不兼容的“身高”值。 在训练模型之前，使用领域规则或统计检查测试增强数据可确保一致性。