特征空间增强是一种用于机器学习的技术，通过在特征空间而不是原始输入空间中人为地扩展训练数据来提高模型性能。它不是修改原始数据（例如，旋转图像或向文本添加噪声），而是在模型提取的数值表示（特征）上运行。这种方法通过将模型暴露于特征分布的变化中来帮助模型更好地泛化，从而可以减少过度拟合并增强鲁棒性。
例如，考虑一个用于图像分类的训练过的神经网络。 传统的数据增强可能会对输入像素应用旋转或裁剪之类的转换。 但是，特征空间增强可能会操纵中间层的激活。 诸如向特征向量添加受控噪声，在不同类的特征之间进行插值，或应用 mixup（线性组合两个样本的特征和标签）之类的技术都属于此类。 在自然语言处理中，特征空间增强可能涉及扰动单词嵌入或语言模型中的潜在表示，以模拟句子结构或语义的变化。
特征空间增强的优势包括计算效率（因为它避免了重新处理原始数据）以及解决复杂领域中数据稀缺问题的能力。 但是，它需要仔细的实施。 例如，向特征添加过多的噪声可能会扭曲其含义，而过于激进的插值可能会创建不真实的合成数据。 开发人员应试验增强的幅度和类型，通过验证准确性之类的指标进行验证，并在需要时将其与传统增强相结合。 TensorFlow 和 PyTorch 等库可以通过自定义层或挂钩来实现特征操作，从而使其在实践中易于实施。