3. 误判类型与根因分类

在概念标签漂移的排障中，最危险的做法是“看到指标下降就重训模型”。指标下降只是症状，症状背后可能是数据分布变了、标签定义变了、标注本身有噪声、模型服务链路退化，也可能是多条业务规则互相打架。若根因判断错误，重训往往只是把问题暂时压下去，甚至引入新的漂移。本节要建立一套可操作的分类框架：先把误判归入五类典型根因，再用优先级判断方法决定先查什么、先修什么。

五类根因的判别特征

数据漂移指输入特征分布发生变化，而标签语义未变。典型信号是特征均值、方差、缺失率、取值域发生偏移，但人工抽检发现“同样的输入仍应得到同样的标签”。例如某内容审核标签模型，近期用户上传图片的分辨率整体从 1080p 升到 4K，导致图像特征统计量整体右移，但“违规/合规”的判定标准没变——这是数据漂移，不是概念漂移。

概念漂移指输入到标签的映射关系本身变了。同样的输入，过去标 A、现在应标 B。它常由业务定义调整、用户行为演化或对抗手段升级引起。判别关键是：在输入分布基本稳定的前提下，条件分布 P(y|x) 发生显著变化。例如“垃圾评论”的判定标准从“含外链”扩展到“含引流暗语”，旧模型对新型暗语的召回骤降，这属于概念漂移。

标注噪声指训练或评估标签本身不可靠。表现为模型在“看起来很简单”的样本上反复出错，或不同标注员之间一致性低。它与前两者的区别在于：问题出在标签侧而非输入侧或映射侧。常见诱因包括标注规范歧义、标注员培训不足、众包质量波动。

模型退化指模型或服务链路自身性能下降，与数据、概念无关。例如特征抽取服务版本回滚、缓存击穿导致部分特征缺失、推理服务超时降级返回默认值。这类问题的特征是“突变性”和“与流量结构无关”，往往在某个时间点后集中出现。

规则冲突指后处理规则、多模型投票或业务策略之间相互矛盾。例如主模型判为“通过”，但风控规则强制拦截；或两个标签体系对同一样本给出互斥结论。它常表现为“模型指标正常但线上效果异常”，因为冲突发生在模型之外。

优先级判断：先排除“假漂移”，再定位“真漂移”

排查顺序应遵循“先外后内、先突变后渐变、先链路后算法”的原则。第一步永远先看时间形态：误判率是阶跃式突变还是缓慢爬升？突变优先怀疑模型退化与规则冲突，因为这两类问题通常有明确的时间锚点（发版、配置变更、流量切换）。缓慢爬升则更可能是数据漂移或概念漂移。

第二步做标签一致性抽检。从近期误判样本中分层抽取 100～200 条，由两名标注员独立复核。若复核一致率低于约 85%（示例阈值，需按业务调整），优先怀疑标注噪声或标注规范歧义；若一致率高但模型与人工结论系统性背离，则指向概念漂移。

第三步做分布对比。对关键特征计算训练期与当前期的 PSI（群体稳定性指数）。经验上 PSI 小于 0.1 视为稳定，0.1～0.25 为中度偏移，大于 0.25 为显著偏移（示例经验值）。若多个核心特征 PSI 显著升高而标签抽检一致，则数据漂移成立。

第四步做规则链路审计。把模型原始输出与最终业务结论逐层对齐，检查后处理规则、黑白名单、多模型投票是否产生互斥。一个实用做法是统计“模型判通过但业务拦截”与“模型判拦截但业务放行”的比例，若异常升高，规则冲突的可能性很大。

一个可复用的判断表

需要强调的是，五类根因并非互斥。真实场景中常见“数据漂移叠加标注噪声”或“概念漂移引发规则冲突”。因此分类树的作用不是给出唯一答案，而是帮助你有顺序地排除可能性，把有限的排查资源投到最可能的方向上。每次排障结束后，把根因、证据和处置记录进案例库，下一次遇到相似信号形态时，判断会更快、更准。