数据竞赛打久了，你会越来越明显地感觉到一件事：模型结构的边际收益已经越来越低，真正让你在排行榜上稳住位置的，往往是别人看不见的那部分数据工作。数据增强就是其中最基础、也最容易被低估的一块。
在大数据竞赛里，数据增强不是简单地复制粘贴几个随机变换的API。它要做的事情很明确：在模型见过的样本有限、而测试分布又存在不确定性的前提下，通过可控的样本变换扩大训练分布，强迫模型学到更稳定的语义特征，而不是死记硬背数据里的偶然模式。说白了，是用最少的代码成本换一层“抗噪能力”。
这篇文章围绕竞赛场景，挑了五个我用下来性价比最高的数据增强方向，覆盖图像、文本、表格和结构化数据，讲清楚每个策略为什么有效、参数怎么调、哪些地方容易翻车。刚入门的新人可以直接拿思路去跑一轮实验，正在备赛的队伍也能拿它做一个自查清单。
1. 竞赛中的数据增强，解决的是泛化，而不是“涨点”
1.1 为什么排行榜上大家都差在数据上
竞赛和工业项目不同，它固定给了训练集和测试集，你的目标不是把训练集记住，而是让模型在没见过的测试集上尽可能准确。训练集有限，模型容量又在不断增加，结果就是很容易出现过拟合——训练集分数漂亮，一换数据就崩。数据增强的作用就是主动给训练集注入人类已知的、或者统计上合理的变化。图像翻转、文本同义改写、表格加入噪声，都是在告诉模型：这些变化不影响样本的本质标签，你要学会忽略它们。从损失函数的层面看，增强等价于在模型的假设空间上施加先验约束，减少对不相关高频模式的依赖，用大白话说，就是提前告诉模型“别太抠细节”。
很多新手会把数据增强理解成“把数据变多”，这个理解不够准确。Mixup 虽然确实生成了新样本，但主要价值不在数量，而在于让模型在样本与样本之间学到平滑的决策边界。所以评估数据增强有没有用，不能只看训练集容量，而是看验证集的稳定性和预测的鲁棒性。
竞赛特有的一个点是：排行榜的本质是对比实验，数据增强的收益不会在所有比赛中一致，它与数据量、任务难度、模型容量、训练轮数都耦合。经验上，当你的模型已经能轻松过拟合训练集、而验证集分数停滞时，是数据增强收益最高的阶段。反之，模型还没收敛就去加增强，反而会掩盖模型本身的问题。
1.2 一个策略几行代码，为什么不早点用
我见过很多队伍把精力放在复杂网络和调参上，却对数据处理比较随意，只在训练循环里加几行翻转，甚至在模型跑通后根本没想过增强。事实上在大量竞赛里，一个配置得当的增强策略带来的公共榜提升，往往比换一个骨干网络更可观。原因很简单：换模型意味着改变假设空间和优化难度，需要重新调整大量超参数；而增强策略只是在输入侧做变换，网络结构完全不动，调参的重点只有变换强度和概率，风险更小。按投入产出比来算，数据增强几乎是竞赛里最便宜的分数来源。
但也别指望一个策略打天下。增强策略之间不是简单累加的关系，有的组合会冲突，比如同时做强裁剪和强遮挡；有的组合需要配合更长的训练轮数才能生效，比如 Mixup、CutMix 往往要更多 epoch 才收敛。所以下面五个方向我会明确适用范围、默认参数和我自己的取舍逻辑，方便你照着自己的任务做判断。
1.3 如何科学评估增强策略有没有用
这是竞赛里最容易被忽略的一步。很多人直接在训练集上用增强训练，然后在验证集上看到分数变高，就认为是增强的功劳。实际上，验证集同样存在分布偏移，增强可能让训练分布离验证集更远，也可能让模型整体滑出数据分布区域，肉眼不可控。
我的评估方法是：固定随机种子、固定模型结构和 batch size，只改变增强配置，提前留出一个小比例的数据作为固定验证集，多跑几轮记录平均结果，而不是只看最后一个分数。增强的效果必须是平均意义上的提升，同时训练曲线不能出现异常振荡。如果加了增强之后验证集掉了，先调强度，再考虑换策略，不要一次性把所有增强都开满。
这里贴一张我常用的策略速查表，后面几节会分别展开：
| 策略 | 适用数据 | 关键参数 | 主要收益 |
|---|---|---|---|
| Mixup / CutMix | 图像、特征向量 | α=0.2，概率50% | 平滑决策边界，抑制过拟合 |
| CutOut / Random Erasing | 图像 | 遮挡面积0.3~0.5 | 提升局部遮挡泛化 |
| EDA / 回译 | 文本 | α 0.05~0.1，回译1~2个版本 | 低成本扩充语义多样性 |
| SMOTE / CTGAN / 伪标签 | 表格、结构化数据 | k=5，置信度阈值0.9 | 平衡类别、适配测试分布 |
| 噪声 / 对抗训练 | 图像、表格 | 噪声std 0.001~0.01 | 通用软正则，兼容其他增强 |
2. TOP1 样本混合：用 Mixup 和 CutMix 制造“平衡态”
2.1 混合增强为什么是竞赛万金油
近几年的视觉竞赛里，Mixup 和 CutMix 几乎是决赛标配。它们的共同思想是：不要只让模型看到纯类别的样本，而是把两个样本按比例混合，连标签也按同样比例混合，相当于在类别边界上造出一批“模糊样本”。
Mixup 的做法是随机取两个样本 xi 和 xj，按 λ~Beta(α,α) 采样，新的输入 x = λ xi + (1-λ) xj，新的标签 y = λ yi + (1-λ) yj。这样做会让模型在类别之间保持线性插值的预测，不容易死记训练集，同时隐式地扩大了决策边界的平滑程度。CutMix 则更进一步，把 xi 中一块矩形区域的像素替换成 xj 对应位置的像素，标签也按区域面积占比来混合。这样既保留了一些局部语义信息，又通过“补丁”的方式打乱局部特征组合，对位置不敏感的任务尤其有效。
顺便说一下 SamplePairing 和 Manifold Mixup 的差异。SamplePairing 只混合输入而不混合标签，这在竞赛里经常导致标签错乱；Manifold Mixup 则是在网络隐层特征上做混合，效果也不错，但需要改动网络逻辑，不如输入侧的 Mixup/CutMix 好调试。所以我的默认选择是先试输入侧。
2.2 竞赛里到底怎么设参数
参数设置不像论文那么玄学。Mixup 的 α 通常取 0.2，这个值会让 λ 的分布更接近 0 和 1，混合比例不会太极端。α 取 1.0 会混合非常频繁，很多任务反而掉分。CutMix 的裁剪区域面积常控制在整张图的 0.3～0.5，区域长宽比在 0.5～2 之间随机。
另一个竞赛常见操作：Mixup 和 CutMix 按概率随机抽，而不是每个 batch 都强制混。比如 50% 概率用 Mixup、50% 概率用 CutMix，让模型同时接触干净样本和混合样本，这样比纯用其中一种更容易稳定。
参数之外，训练轮数也要相应调整。混合增强等于延长了模型的收敛路径，一般要把 epoch 额外拉到 1.5 到 2 倍，否则增强还没生效就早停了，看起来分没涨，实际是没训够。我习惯先把 epoch 拉到能轻松过拟合训练集的程度，再往上叠加混合增强，收益才会明显。
2.3 混合增强在竞赛里的常见坑
最大的坑是标签冲突。如果在分类任务里用了 Mixup，但验证和推断阶段仍然完全用独热标签，模型置信度会偏低，尤其用 argmax 取类别时，训练和预测阶段不一致，公共榜往往比预期低。解决办法是预测时多做几次 TTA，或者对多个增强视角的预测做平均，把不同视角下的输出融合起来。
另外 Mixup 对类别数量极其敏感。大数据比赛里如果类别不平衡，混合前要注意先做类别重采样，否则少数类样本会被多数类混合淹没，强化不平衡。可以按类别概率采样两个样本，或者只对多数类做 Mixup，少数类保持原样，具体还是要跑对比才知道。
提示：混合增强几乎等价于正则化，它会降低模型在训练集上的精确分数，千万别用训练集指标判断效果，一定要看验证集和公共榜变化。
3. TOP2 遮挡与形变：CutOut / Random Erasing 与几何变换
3.1 为什么“遮住一部分”反而更稳
图像分类竞赛中，CutOut 和 Random Erasing 是另一个高频策略：在输入图像里随机选一块矩形区域，将区域像素置零或填充随机噪声，让模型不能依赖某个局部 patch 做出判断。这个策略几行代码就能实现，却是很多视觉比赛里稳定提分的手段。
原理不难理解：如果模型训练时每次都能看到同一张猫图上那个显眼的猫头，它很容易把“猫头”当成“猫”这个类别的充分证据。遮挡之后，模型必须综合利用轮廓、耳朵、身体等更分散的特征，泛化到测试集时就不会因为某个局部缺失而误判。从数据分布角度看，遮挡引入了一类“残缺样本”，让模型学会在信息不完整时依然保持正确判断。
随机翻转、旋转、裁剪这些几何变换则是更基础的增强。它们不添加信息，而是利用分类任务对平移、翻转、尺度具有不变性的先验，把有限训练图片变成更多视角下的观察。严格来说，它们和遮挡类增强的作用方向不同：几何变换扩大观察角度，CutOut 类增强则压缩可依赖的局部信息，两者并不冲突。
不过几何增强要注意“过度”的问题。随机旋转超过一定角度会让图像语义失真，比如在细粒度分类里旋转 30 度就可能混淆关键部位；随机裁剪太强会把目标主体裁掉，模型学到不完整特征。我的习惯是先从 10 度左右的旋转和 10% 的裁剪开始，逐步加，不要一上来就大强度。
3.2 遮挡增强的参数经验
CutOut 和 Random Erasing 的关键参数是遮挡区域面积比例和长宽比。常用的区域面积占总图面积的 0.3～0.5，一次只遮挡一块区域，长宽比随机，填充值可以用零或该图的统计均值。如果遮挡比例太高，训练损失会明显上升甚至无法收敛，这时候不是增强没用，而是强度过了头。
实现上，我建议把遮挡操作放在 normalize 之前，这样填充值可以直接用像素 0，经过归一化后变成一个固定值，模型更容易把遮挡区域识别成“缺失区域”。如果放在 normalize 之后，填充值会变成负的均值，效果差异也能接受，只是多一个需要琢磨的变量，能省则省。
Random Erasing 还有一个变体，遮挡区域可以选择多个而不是一个。多个遮挡对鲁棒性要求更高，但也更容易信息损失。竞赛里大多数时候一个区域就够了，除非你的数据本身是物体居中的商品图、皮肤镜图这类，可以试试两块。
3.3 为什么别一开始就把所有增强开满
很多新手的做法是：把能找到的增强全部塞进 pipeline，结果模型怎么训都上不去。原因是各种增强并不总是加性互补。比如强随机裁剪已经大幅增加了背景多样性，再叠加强遮挡，输入信息量骤降，训练自然不稳定。
我的顺序是：先把基础几何变换和轻量级遮挡作为基准，确认基线能过拟合训练集，再逐步加入更重的增强，并观察验证集曲线。如果曲线振荡，先降最强那个增强的强度；如果曲线平滑但收敛慢，就延长时间。数据增强的收益往往在模型快要过拟合的阶段才会释放，过早开满是典型的“假增强无效”。
另外，有些竞赛数据本身质量就比较高，比如已经裁剪得很规矩的物体图，这时轻量遮挡的作用会被削弱，反而是混合增强更有效。所以别指望同一个组合在不同比赛里重复复制提升，先跑对照再决定。
4. TOP3 文本增强：EDA 与回译，低成本撬动 NLP 竞赛
4.1 EDA 四件套的适用边界
文本竞赛里，数据增强比图像更谨慎，因为改一个词可能改变语义。EDA 是入门必备，它包含四种操作：同义词替换、随机插入、随机交换、随机删除。这些操作虽然简单，但在情感分类、意图识别、文本相似度等任务中，往往能带来明显的样本多样性提升。
用 EDA 时要控制改动比例 α，一般取句子长度的 5%～10%。对短句子，比如 10 个词以内的样本，α 甚至要降到 0.05，否则句子会变得面目全非，标签也会失真。随机删除要格外小心，英文里删的是单词，中文里删的是字符或词，删除过多会让句子丢失关键信息，尤其在短文本分类里非常危险。
同义词替换看似安全，实际也有限制：如果处理的是专业领域文本，通用词表很可能把“白细胞”替换成语义漂移的词，导致标签错乱。所以我要么先检查词表，要么干脆放弃同义词替换，只用回译这种整句级别的方法。
4.2 回译为什么在竞赛里比 EDA 更稳定
回译是把原始文本翻译成另一种语言，再翻译回原语言，利用不同语言之间的翻译差异，产生语义保持、表达多样的新句子。比如中文文本经过英文中转再回译，表达自然度比同义词替换高很多，不容易破坏语义，因此很多 NLP 竞赛队伍把回译当作第一增强手段。
回译本身对硬件没有要求，主要依赖外部翻译能力，但会有调用速度、结果稳定性、以及质量随文本长度变化的问题。我一般会做一次性离线批处理，把所有要增强的句子提前翻译好存成文件，而不是在训练循环里实时调用，这样既快又可复现。
回译的数量也要控制。常见的做法是为每条原始样本生成 1～2 个回译版本，然后按比例混合进训练集。生成太多回译样本，可能导致模型在“改写风格”上过拟合，反而降低原始文本上的表现。经验上，增强样本占总训练样本的 20%～50% 比较安全，具体还是看验证集。
4.3 序列任务里的增强：交换、扰动与语音侧的思维
对文本生成或序列标注任务，EDA 的操作要更克制。NER 任务里做同义词替换时，很容易把命名实体替换成无意义的词，训练标签没有跟着调整，模型会学到错误映射。更稳妥的做法是只做字符级别的随机替换，或者只在非实体位置做增强。
如果比赛数据是语音或时序的，还可以借鉴语音增强的思路：加噪声、变速、音调调整。这类增强不是改语义，而是让模型对采样率、背景噪音、语速差异鲁棒，和图像遮挡的逻辑很类似，也是同一份样本被模型从不同“环境”解读。
这里要提醒，文本增强的验证比图像更微妙。图像增强后你还能直观看到图长什么样，文本增强后你很难快速判断句子是否还保持语义。建议每批增强完都随机抽样几十条人工检查一遍，确认没有低级错误再进入训练。这个步骤花费不高，但能避免模型在脏数据上学习。
5. TOP4 表格与结构数据的增强：SMOTE / CTGAN / 伪标签
5.1 表格数据为什么不能照搬图像增强
大数据竞赛现在很多落在表格或结构化数据上，但不少人把图像增强思维生搬过来，给特征加高斯噪声、复制样本，效果经常不理想。原因在于表格的特征维度通常是异构的：连续特征、离散特征、类别编码混在一起，没有像素那样空间语义，简单的随机变换很容易破坏特征间的统计规律。
表格数据的核心增强思路是“在特征空间生成新样本”，而不是在输入空间做变换。最常见的方法包括基于邻域的合成、基于生成模型的方式，以及利用测试集信息做伪标签。这三类方法的适用场景不同，下面按优先级展开。
5.2 SMOTE 与邻居合成：适合解决类别不平衡
SMOTE 的思路是：对一个少数类样本，找出它在特征空间中的 k 个近邻，然后在样本与随机一个近邻之间的连线上随机插值，生成一个新的少数类样本。实际操作中，k 常取 5，插值比例在 0 到 1 之间随机，这样可以让少数类样本在局部区域得到更多覆盖。
SMOTE 的问题在于假设了近邻之间的线性插值仍然属于同一类别，这在特征空间线性可分时成立，但高维或强非线性场景下插值点可能落在其他类别的分布里，制造标签噪音。竞赛里我会先通过降维或类别密度检查确认哪些类边界模糊，如果模糊就别用 SMOTE。
对表格竞赛，更常用的是 SMOTE-ENN 或 SMOTE-Tomek，它们先合成少数类样本，再用清洗规则删除边界上的混杂样本，比原始 SMOTE 更稳。调参时主要关注近邻数量和类别重采样比例，不要一上来就把少数类全部扩到和多数类一样多，过度平衡会让模型对先验分布失忆。
5.3 CTGAN：用生成模型补真实分布
CTGAN 是生成对抗网络在表格数据上的代表实现，专门处理表格中离散和连续特征混合的问题。简单说，它训练一个生成器去学习原始特征分布，再用判别器判断生成数据和真实数据的差异，最终生成一批与训练集分布接近的合成样本。
这类方法在竞赛里的效果高度依赖原始样本量和特征维度。样本量大、特征关系复杂时，CTGAN 生成的样本可能让模型学到更平滑的分布；样本太少或特征高度相关时，生成模型会直接过拟合训练集，生成的都是原样复制，毫无增强意义。我一般只在特征维度较低、样本量充足、类别相对均衡的情况下尝试。
还有一个更轻量的思路：对连续特征加 0.01～0.05 倍标准差的高斯噪声，对离散特征按小概率做值替换，这种“伪生成”虽然简单，但配合树模型时反而有奇效，因为树模型对噪声不敏感，扰动可以抑制过拟合。注意只在训练时扰动，测试保持不变。
5.4 伪标签：让测试集成为你的数据增强来源
表格竞赛里最被低估的增强其实是伪标签。思路是先用有标签数据训练一个模型，对无标签测试集进行预测，把其中置信度高的预测当伪标签加入训练集，再重新训练一轮。这样做等于把测试集的输入分布暴露给模型，让它学到更多贴合预测目标的数据形态。
伪标签的关键是筛选阈值和迭代次数。阈值太高，加入的样本太少；阈值太低，噪声标签会污染训练。我通常的做法是取所有测试样本预测概率最高一类的前 20%～30%，并确保多数预测置信度超过 0.9，或者用多折交叉模型生成伪标签，各折之间预测一致才保留。
伪标签对树模型和神经网络的提升幅度不同。对树模型，伪标签经常能明显改变特征分裂点，让模型更适应测试特征分布；对深度网络，则适合在训练后期加入伪标签，避免早期模型置信度不可靠。无论哪种，一定要用固定的 OOF 验证来判断加伪标签是否真的涨分，不要让公共榜分数蒙蔽你。
6. TOP5 噪声与对抗鲁棒：让模型学会“忽略细节”
6.1 高斯噪声和特征扰动，简单但别小看
噪声注入是数据增强里最廉价的一种，也是我对表格和图像都经常用的一种兜底策略。对图像来说，可以在归一化后的像素上以较小的标准差加高斯噪声，迫使模型不能只依赖单一像素的精确值，从而对输入扰动更稳定。对表格来说，给连续特征加 0.001～0.01 倍方差的高斯噪声，也能减少树模型的过拟合。
噪声的强度必须和模型容量匹配。如果模型本身拟合能力弱，加噪声会进一步拉低训练精度，验证集不一定提升；如果模型已经过拟合，噪声反而是最温和的正则手段。我在实际比赛里会先跑一个纯基线，再把噪声强度从 0.0001 逐步加到 0.05，观察验证集在哪个区间最稳，通常能找到一个小的峰值区间。
6.2 对抗扰动：竞赛里不常用的隐藏武器
对抗训练在 NLP 和图像竞赛中都不算主流，因为计算成本高、调参复杂，很多队伍在有限时间内没有精力做。但在一些任务里，它确实能成为隐藏武器，尤其是在文本分类和细粒度图像分类比赛里。
FGSM 的思路很简单：基于当前损失函数对输入求梯度，把梯度符号乘以一个小的扰动系数，加到输入上，让模型看到“最会使它出错”的样本，然后用这些对抗样本继续训练，提升对扰动的鲁棒性。实际操作中，我只会对增强后的训练样本做一次对抗扰动，不做迭代攻击，因为竞赛性价比更重要。
如果要做对抗训练，建议放在训练的中后段，模型已有一定语义理解后再加入，否则早期模型梯度噪声很大，对抗样本基本是随机噪声，没有任何意义。扰动系数要小，图像上通常是 0.01～0.03 量级，文本上则常用 KL 梯度更新，参数需要对照实验。
6.3 这类增强的价值在于“兼容性”
噪声和对抗增强的一个好处是它们几乎不与其他增强冲突，很适合作为最后加入的一层。Mixup 或 CutOut 已经改变了训练分布，再加一点噪声并不会冲突，反而会让模型对数字域的微小变化更不敏感。对于已经用到伪标签的表格方案，噪声注入也能缓解伪标签噪声带来的影响，相当于一种软正则。
但它也有副作用：会降低模型对测试集微小分布偏移的敏感性，在那些需要精确区分微小差别的任务里可能掉分。所以我会把噪声类增强当作备选，在基线和常用增强跑完后再试，只有在小验证集上确认有提升才保留。
7. 增强策略怎么组合与判断：不要凭感觉调
7.1 正交实验法判断增强的真正收益
竞赛时间有限，不可能每个组合都穷举。我习惯用正交实验的思路：固定一个最强的基础策略，然后依次叠加其他增强，每次只改一个变量，每次用同一个随机种子，评估同一验证集指标。这样很快就能找到哪些增强带来正收益，哪些掉分需要去掉。
实际操作中，我会把实验记录做成一张表，记录增强配置、训练轮数、OOF分数、公共榜分数、训练时间。不要只看最后一个分数，还要看收敛速度。比如 Mixup 和 CutMix 经常前期收敛慢、后期反超，如果提前早停就会误判为无效。只看最终分数是最好的判断方式。
| 增强配置 | 训练轮数 | OOF分数 | 公共榜分数 | 训练时间 | 结论 |
|---|---|---|---|---|---|
| 基线无增强 | 30 | 0.912 | 0.905 | 2h | 基准 |
| 基线+CutOut | 30 | 0.918 | 0.912 | 2h | 保留 |
| 基线+CutOut+Mixup | 45 | 0.920 | 0.915 | 3h | 涨点 |
| 再多叠加EDA（不适用） | 45 | 不变 | 不变 | 3h | 去掉 |
7.2 不同模型结构对增强的敏感度差异
同一份数据，用 CNN、Transformer 和树模型，增强策略的接受度完全不同。CNN 对几何变换和 CutOut 类增强很友好；Transformer 需要更多数据，Mixup 有时反而会干扰注意力分布，需要配合更长训练才有效；树模型本身对单调变换不敏感，做噪声和伪标签更有效，图像增强思维基本不适用。
所以看到别人的比赛分享别直接抄，要先确认任务类型和模型类型是否一致。我曾见过有人把图像竞赛里的 CutMix 直接用到表格神经网络上，效果很差，原因就是表格特征根本没有空间邻接关系，CutMix 的区域替换完全无意义。
7.3 增强强度随训练进度动态调整
竞赛里容易被忽略的一个做法是：增强强度不一定要全程固定。比如训练前期使用轻量增强，让模型快速学会主体语义；训练后期加大遮挡或混合比例，提升泛化能力。这种动态调整可以和学习率调度一起做，效果通常比全程固定一个强度更稳。
不过动态调整会增加调试复杂度，如果时间紧张，我优先使用固定强度，跑完再说。固定强度跑得稳，动态调整往往是锦上添花，不是救命稻草。新人不建议一上来就做复杂动态增强，容易分不清是增强的收益还是调参的收益。
8. 我踩过的那些“增强翻车”现场
8.1 增强导致验证集失真
有一场图像分类比赛，我在训练集上把随机裁剪和翻转开得比较重，验证集却一直不如基线。后来检查发现，验证集里的图片已经被处理成标准化居中格式，强随机裁剪在验证集上根本不成立，训练和验证分布直接错位。这是很典型的问题：增强应该作用于训练集，但验证集处理流程要和测试流程保持一致，不能把同样的增强直接套到验证集。
所以我现在都会单独定义训练 pipeline 和推理 pipeline，验证过程用与线上预测完全一致的预处理，确保增强效果被真实反映。
8.2 增强比例没考虑数据质量
另一个常见问题：竞赛数据如果本身带有坏样本、噪声标签，增强会放大这些错误。比如回译一句本身就翻译得很怪的句子，生成的新句可能更怪；SMOTE 在错误标记的少数类样本上插值，会生成一块带错误标签的样本。这种情况下，先用规则或模型清洗数据比加增强更重要。
我把这个教训总结成一句话：数据增强是放大器，不是纠错器。它放大的是训练分布里的真实规律，同时也会放大脏数据的尾部。先把数据质量处理到位，再谈增强策略。
8.3 增强与伪标签叠加的连锁反应
伪标签叠加数据增强时有个隐蔽问题：增强让模型对测试集的预测置信度发生变化，进而改变伪标签的筛选结果。如果增强变强后模型置信度整体下降，之前设定的 0.9 阈值可能筛不出足够的伪标签，而你还没意识到，就会得出“增强影响了伪标签，还不如不加”的错误结论。
遇到这种情况，我会在固定模型和增强配置后，重新绘制置信度分布，基于新分布调整阈值，而不是沿用原始实验的固定阈值。这一步虽然麻烦，但往往是表格竞赛里最后几个点提升的关键。
写到最后，分享一个我这几年养成的习惯：每次跑完一个增强策略，我会把配置、验证集分数和当时的直觉判断一起记在实验表里。等到比赛复盘时，这张表比模型代码本身还有价值，因为它记录了我哪些判断对了、哪些错了，下一次比赛能少走很多弯路。
数据增强没有银弹，同一个策略换个任务可能从神器变成毒药。所以我的建议很简单：从最简单的一个策略开始，认真做对照实验，让分数说话，而不是让“大家都说有效”替你做决定。
