3、模型衰减概念：模型衰减的定义、模型衰减的常见原因

在支付风控场景中，模型上线后并非一成不变。随着时间推移，模型预测能力会逐渐下降，这种现象称为模型衰减。理解模型衰减的定义与根因，是定位批次偏移、制定模型迭代策略的基础。

3.1 模型衰减的定义

模型衰减（Model Decay / Model Degradation）是指已部署的机器学习模型在真实生产环境中的预测性能（如 AUC、KS、Precision、Recall）随时间的推移而持续下降的现象。

在支付批次偏移场景中，模型衰减通常表现为：

• 批次通过率异常波动：原本通过率稳定的批次，突然出现通过率大幅上升或下降。
• 误杀率上升：正常交易被模型误判为风险的比例增加，导致用户投诉增多。
• 漏报率上升：真实风险交易未被模型识别，造成资金损失。
• 分数分布偏移：模型输出的风险分数整体向高分段或低分段漂移。

3.2 模型衰减的常见原因

模型衰减的根因可归纳为三大类：数据漂移、概念漂移 和 环境变化。三者可能单独出现，也可能叠加作用。

3.3 数据漂移（Data Drift）

数据漂移是支付风控中最常见的模型衰减原因。当模型训练时使用的特征分布与线上实时特征分布不一致时，模型对样本的判别能力就会下降。

常见子类型：

• 协变量漂移（Covariate Shift）：输入特征 X 的分布变化，但 P(Y|X) 不变。例如：双十一期间交易金额整体偏高，但金额与风险的关系未变。
• 先验概率漂移（Prior Probability Shift）：标签 Y 的分布变化。例如：新监管政策出台后，整体风险交易比例下降。
• 特征缺失漂移：某些特征突然大面积缺失或取值异常。例如：设备指纹 SDK 升级导致部分字段不再上报。

3.4 概念漂移（Concept Drift）

概念漂移是比数据漂移更隐蔽、更危险的衰减原因。它意味着模型学到的“风险模式”已经过时，黑产或用户行为已经进化。

常见子类型：

• 突发性漂移（Sudden Drift）：短时间内风险模式发生剧变。例如：某漏洞被公开后，黑产立即大规模利用。
• 渐进性漂移（Gradual Drift）：风险模式缓慢变化。例如：用户逐渐习惯使用生物支付，密码输入行为减少。
• 周期性漂移（Recurring Drift）：风险模式按时间周期重复。例如：每周五晚间的游戏充值欺诈高峰。

3.5 环境变化（Environment Change）

环境变化通常指模型依赖的外部基础设施或业务逻辑发生变更，导致模型输入或推理路径异常。

常见场景：

• 特征工程变更：特征计算逻辑修改、特征衍生方式调整、特征归一化参数更新。
• 数据源切换：第三方数据供应商变更、数据接口升级、数据字段映射错误。
• 业务规则调整：风控策略阈值修改、准入规则变更、产品流程改版。
• 系统架构升级：模型服务容器化迁移、特征存储从 Redis 切换为 Tair、模型版本回滚。

3.6 模型衰减原因关系图

下图展示了三种衰减原因之间的逻辑关系及其在支付批次偏移中的传导路径：

3.7 模型衰减检测流程

在实际支付风控运维中，建议按以下步骤进行模型衰减的检测与根因定位：

1. 性能监控：每日计算模型 AUC、KS、Precision、Recall，与基线对比。
2. 分布监控：计算每个特征的 PSI，标记 PSI > 0.1 的特征。
3. 标签反馈分析：对比模型预测结果与人工审核结果，计算错误率趋势。
4. 环境变更排查：检查最近 7 天内的特征变更、数据源变更、业务规则变更记录。
5. 根因判定：根据上述信息，判断衰减主因是数据漂移、概念漂移还是环境变化。
6. 应对措施：数据漂移 → 特征工程调整或模型重训；概念漂移 → 新增特征或模型架构升级；环境变化 → 回滚变更或修复数据管道。