一般来说很难，因为你不知道数据的联合分布，更不用说与标签的联合分布了——否则你就不需要分类器了。否则，您将无法自信地采样新的有效实例。

在图像的情况下，这很“容易”，因为我们肯定知道图像的旋转、剪切或缩放会产生另一个有效的图像，并且我们知道它的标签是相同的。

如果您愿意假设输入空间中具有相同标签的两个实例之间的点也是 a) 有效输入和 b) 具有相同标签，那么您可以应用 SMOTE ( https://imbalanced- learn.readthedocs.io/en/stable/generated/imblearn.over_sampling.SMOTE.html）根据该假设生成更多数据。如果该假设是错误的，则会损害性能。

我在Kaggle 获奖解决方案中发现了一种对表格数据进行数据增强的复杂方法：

1. 通过将每行的某些特征随机替换为其他行来为数据添加噪声。
2. 使用 DAE（去噪自动编码器）重建数据。