關鍵原則：增強必須保留標籤。水平翻轉一張貓的影像仍然是貓（有效增強）。翻轉一個「左轉」標誌會使它變成「右轉」標誌（無效增強）。選擇適當的增強需要理解什麼不變性對你的任務重要。
AutoAugment 及其後續技術（RandAugment、TrivialAugment）學習或隨機化增強策略，而非手動設計。Cutout/CutMix 隨機遮蔽或混合不同影像的區塊。MixUp 在樣本對之間進行內插，建立平滑決策邊界的合成訓練點。這些技術現在是視覺訓練流程的標準配備。
隨著生成式模型的出現，增強超越了幾何變換。你可以使用 LLM 改寫文本訓練資料，使用擴散模型生成變體影像，或使用模型建立全新的訓練樣本（合成資料）。「增強」（修改現有樣本）和「合成資料」（生成新樣本）之間的界線正在模糊，兩者都正成為現代訓練流程中不可或缺的部分。