增强数据集通过增加训练数据的多样性和数量来改善迁移学习，这有助于模型更好地适应新任务。 数据增强涉及对现有数据应用诸如旋转、翻转或添加噪声等变换，从而创建模拟真实世界变化的合成示例。 在迁移学习中，模型在源任务上进行训练，然后针对目标任务进行微调，增强数据可减少过度拟合并改善泛化能力。 例如，如果模型在 ImageNet（源）上进行了预训练，然后针对数据有限的医学成像任务（目标）进行了微调，则通过调整亮度、缩放或对比度来增强目标数据集可以帮助模型处理真实世界扫描中的变化。 当目标数据集较小时，这尤其有用，因为它人为地扩展了训练样本。
增强数据集还可以提高预训练期间学习到的特征的质量。 当源数据集被增强时，模型会学习到更强大且不变的表示，从而更好地迁移到新领域。 例如，在用随机裁剪和颜色失真增强的图像上预训练的视觉模型可以识别不同光照或角度下的物体，使其适应卫星图像分析等任务。 同样，在自然语言处理中，用同义词替换或句子改组来增强文本数据有助于语言模型掌握上下文细微差别，从而提高其在情感分析等下游任务中的性能。 这些增强的特征充当一种正则化形式，确保模型不会过度依赖源数据中的特定模式，而这些模式可能不存在于目标任务中。
但是，过度或不适当的增强会损害迁移学习。 例如，对图像应用极端的扭曲可能会创建误导模型的非现实示例，导致其学习不相关的模式。 开发人员必须平衡增强强度与目标任务的要求。 此外，由于增强数据在训练期间需要更多的处理，因此计算成本可能会增加。 诸如 TensorFlow 的 ImageDataGenerator 或 PyTorch 的 Torchvision.Transforms 等工具简化了即时增强，从而最大限度地减少了内存开销。 一种实用的方法是从基本增强（例如，翻转、旋转）开始，并逐步测试更复杂的增强（例如，MixUp 或 CutMix），以衡量它们对迁移性能的影响。 如果应用得当，增强可以弥合源域和目标域之间的差距，从而使迁移学习更有效和可靠。