📚 课程目录第3章样本偏差概述

3. 样本偏差概述：偏差的定义、来源及其对模型推理的影响

在金融知识图谱的构建与推理应用中，样本偏差是导致模型性能下降、推理结果失真的核心诱因。本章将系统阐述偏差的定义、四大主要来源，以及它们如何影响模型在金融场景中的推理能力。

在金融知识图谱的语境下，样本偏差是指用于训练或验证模型的数据集，其分布与模型实际部署时所面对的真实世界分布之间存在系统性差异。这种差异并非随机噪声，而是由数据采集、标注或选择过程中的非随机性导致的系统性失真。

  核心公式： Ptrain(X, Y) ≠ Preal(X, Y)

  其中 Ptrain 为训练集分布，Preal 为真实分布。偏差越大，模型在真实场景中的泛化能力越弱。

金融知识图谱中的样本偏差主要来源于以下四个维度，它们往往相互交织，共同影响数据质量。

偏差类型	定义	金融场景典型示例
采样偏差	样本采集过程未能代表目标总体，导致某些子群体被过度或不足代表。	仅采集线上活跃用户的交易数据，忽略线下老年用户群体，导致信用评估模型对老年群体失效。
标注偏差	标注标准不一致、标注人员主观偏好或标注错误导致标签与真实情况偏离。	不同审核员对“疑似洗钱交易”的判定标准不同，导致正负样本边界模糊。
时间偏差	训练数据与推理数据来自不同时间窗口，导致模型无法适应市场或政策变化。	使用2019年的借贷数据训练模型，无法准确预测2023年疫情后的违约风险。
选择偏差	样本进入数据集的过程受到非随机因素影响，导致观测数据与未观测数据存在系统性差异。	仅分析“成功获得贷款”的客户数据，忽略被拒绝的客户，导致模型高估整体还款能力。

下图展示了四种偏差在金融知识图谱数据生命周期中的产生位置及其相互关系。

样本偏差会从多个维度损害金融知识图谱模型的推理能力，具体影响机制如下：

⚠️ 金融场景特别警示：在反洗钱、信用评估、风险定价等监管敏感领域，样本偏差不仅影响模型性能，更可能导致合规风险与重大经济损失。偏差检测应作为模型上线前的强制性检查环节。

下图展示了样本偏差从产生到影响最终推理决策的完整路径。

在金融知识图谱应用中，偏差检测不是可选项，而是保障模型可靠性的必要前提。下表总结了不同偏差类型对金融业务的具体危害程度：

偏差类型	受影响业务	潜在损失	检测优先级
采样偏差	信用评分、客户分层	高（错误拒绝优质客户）	★★★★★
标注偏差	反洗钱、欺诈检测	极高（漏报导致监管处罚）	★★★★★
时间偏差	市场预测、风险定价	高（模型失效导致亏损）	★★★★☆
选择偏差	贷后管理、催收策略	中高（策略误判）	★★★★☆

💡 实践建议：在金融知识图谱项目启动阶段，应建立偏差检测基线。建议对每个数据源进行分布统计，记录采样时间、标注版本、过滤规则等元数据，为后续偏差检测提供可追溯的原始依据。