噪声注入是一种数据增强技术，它通过在训练数据中引入受控的随机性，来提高机器学习模型的泛化能力和鲁棒性。通过向输入数据添加微小的人工变化，噪声注入迫使模型学习底层模式，而不是记忆特定的示例。这种方法广泛应用于图像处理、音频分析和传感器数据建模等领域，因为这些领域的实际输入通常包含自然的变异性或缺陷。与几何变换（如旋转或翻转）不同，噪声注入直接改变数据值，同时保留其整体结构。
噪声注入的主要优点是减少过拟合。在原始数据上训练的模型往往难以处理包含细微变化的实际输入。例如，向图像像素添加高斯噪声（例如，随机改变 ±5% 的强度）会迫使计算机视觉模型关注形状和纹理，而不是精确的像素值。同样，向音频片段注入背景静电有助于语音识别系统处理不完美的录音。在时间序列数据（例如，传感器读数）中，添加随机抖动可以模拟实际测量误差，防止模型过度依赖精确的数值。这些扰动鼓励模型对微小的输入波动建立容忍度。
与其他增强方法相比，噪声注入还提高了计算效率。图像旋转或音频变调等技术需要大量的预处理，而添加噪声可以实时完成，开销极小。例如，开发者只需几行代码就可以在 TensorFlow 中实现图像噪声注入： noisy_image = image + tf.random.normal(shape=image.shape, mean=0, stddev=0.1)。这种简单性使其即使对于大型数据集也易于使用。然而，噪声幅度必须仔细调整——过多的噪声会模糊有意义的模式，而过少则没有益处。一个常见的做法是从较低的噪声水平开始（例如，输入范围的 1-5%），并根据验证性能进行调整。