数据增强通过修改或合成示例，人为增加训练数据集中稀有类别的数量来处理稀有类别。由于有限的数据使得模型难以学习区分特征，稀有类别通常会受到较差的模型性能的影响。通过对稀有类别的现有样本应用转换，数据增强创建了模仿现实世界多样性的新变体。 例如，在图像分类中，像“稀有鸟类”这样的稀有类别可能只有 50 个训练图像。 像旋转、翻转或添加噪声这样的技术可以生成 200 多个增强图像，从而为模型提供更多示例来学习模式。 这减少了对多数类别的过度拟合，并有助于模型更好地泛化。
具体技术取决于数据类型。对于图像，几何变换（例如，缩放、裁剪）或光度调整（例如，亮度、对比度）很常见。在文本中，稀有意图分类任务可能会使用同义词替换、反向翻译（将文本翻译成另一种语言然后再翻译回来）或释义。对于表格数据，像 SMOTE（合成少数过采样技术）这样的方法会在现有稀有类别样本之间进行插值，以生成新的合成行。一个具体的例子：在医学成像中，可以使用弹性形变或模拟组织纹理的变化来增强稀有肿瘤类别。像 TensorFlow 的 ImageDataGenerator 或 imgaug 这样的库简化了这些转换的实现，而像 nlpaug 这样的 NLP 工具提供了特定于文本的方法。
但是，数据增强不是一个独立的解决方案。过度使用会导致不切实际的样本——例如，将数字“6”旋转 180 度会将其变成“9”，这会损害 MNIST 数字分类。开发人员必须验证转换是否保留语义。将数据增强与像类加权损失函数（对稀有类别的错误进行更严厉的惩罚）或分层抽样等技术结合使用通常会产生更好的结果。例如，在增强的稀有类别图像上训练的模型可能仍然需要调整损失函数，以防止多数类别主导梯度。使用交叉验证进行测试并监控稀有类别的精确率/召回率有助于衡量数据增强是否有效。