外观
什么是数据泄漏？
3 分钟速学卡
30 秒口述： 我把数据泄漏定义为训练或方案选择阶段使用了真实预测时不可获得、或本应隔离的数据，使离线指标被系统性高估。它既包括目标泄漏和未来信息穿越，也包括同实体跨集合、近重复样本、全量预处理以及测试集参与调参。排查时我会先还原预测时点和数据血缘，再查实体交集、时间边界、近重复、预处理拟合范围和评测集访问记录。
- 本质： 数据泄漏是模型在离线阶段提前获得了上线时不该拥有的信息。
- 核心机制： 先定义真实预测时点和可用信息边界；泄漏可来自特征、切分、预处理和评测流程。
- 关键判断： 异常高分应先审计数据，再讨论调参；防复发依赖血缘、契约、分组切分和回归门禁。
- 项目落地： 故障演练：流失预测离线 AUC 突然大幅上升，上线却无改善。先冻结发布，按字段生成时间审计，发现“注销完成时间”被 Join 到特征表。
- 边界与坑： “删除标签列就不会泄漏”：标签代理字段和未来信息仍可能存在；“随机切分足够”：同实体与近重复可跨集合。
目录
面试官为什么问
这道题考察候选人是否会质疑“异常优秀”的指标，并能从数据管道而非模型参数开始排查。数据泄漏通常让模型看似成功，上线后却无法复现。
小白先看懂
一场闭卷考试前，学生在练习册里看到了期末题答案；考试成绩很高，但不能证明掌握了知识。期末答案对应标签或未来信息，练习过程对应训练，虚高成绩对应离线评测。现实系统的泄漏更隐蔽：同一客户的重复记录、事件发生后的字段、全量数据统计量都可能成为“偷看的答案”。
类比没有覆盖特征生成时间、跨表 Join 和文档近重复，因此专业排查必须依赖时间戳、实体 ID、内容指纹和数据血缘。
图：教学图片｜什么是数据泄漏？
替代文本： 16:9 中文教学图，一场密封考试中四条违规信息通道流向答题桌，右侧展示线上真实考试失败；技术感强、克制、无 Emoji。
读图结论： 预测时不可获得的信息，不应进入训练、选择或评测。
这张图片用于解释数据泄漏为什么制造虚高离线成绩。精确公式、参数、失败分支和事实边界仍以正文与 Mermaid 为准。
图片生成记录： model=gpt-image-2，generated=2026-07-15，prompt_version=v1，reviewed=2026-07-16，review_basis=user-confirmed；查看生成 Prompt。
图：数据泄漏进入评测的四条路径
替代文本： 标签或未来特征、同实体跨集合、近重复内容和全量预处理四类泄漏路径共同指向虚高离线指标，随后在真实线上边界下失效。
图表加载中…
读图结论： 泄漏不是单一的“标签进特征”，而是任何破坏训练、验证、测试和预测时点隔离的通道。
核心原理
常见类型包括：
- 目标泄漏：特征直接或间接编码标签。
- 时间穿越：预测时使用未来才产生的数据。
- 实体泄漏：同一用户、设备、病例或文档家族跨集合。
- 预处理泄漏：标准化、词表、缺失填充、特征选择在全量数据上拟合。
- 评测污染：测试题进入训练语料，或测试集被反复用于选择方案。
泄漏的判定标准不是“训练代码是否见过 test 文件”，而是预测时不可得的信息是否影响了模型、阈值或方案选择。
项目和生产视角
故障演练： 流失预测离线 AUC 突然大幅上升，上线却无改善。先冻结发布，按字段生成时间审计，发现“注销完成时间”被 Join 到特征表。止损是移除字段并回滚基线；长期修复是建立特征可用时间契约、时间切分回归和数据血缘告警。
验收应重新构建无泄漏切分，比较修复前后的训练、验证、测试和线上回放。这里是演练流程，没有真实事故和收益数据。
常见错误回答
- “删除标签列就不会泄漏”：标签代理字段和未来信息仍可能存在。
- “随机切分足够”：同实体与近重复可跨集合。
- “离线高、线上低就是过拟合”：也可能是泄漏、训练服务偏差或分布漂移。
- “只查模型特征”：采样、预处理、Join、缓存和人工调参都可能泄漏。
递进追问
- 全量标准化为什么属于泄漏？
- 文档切块后的 RAG 评测如何防止父文档跨集合？
- 时间穿越与普通分布漂移怎样区分？
- 如何检测训练语料中的评测集近重复？
- 如何把泄漏审计固化进 CI？
关联阅读
总结
一句话记忆： 数据泄漏是模型在离线阶段提前获得了上线时不该拥有的信息。
- 先定义真实预测时点和可用信息边界。
- 泄漏可来自特征、切分、预处理和评测流程。
- 异常高分应先审计数据，再讨论调参。
- 防复发依赖血缘、契约、分组切分和回归门禁。