知识点 › 数据基础设施
数据泄漏
Data Leakage
定义
三种泄漏：①时间泄漏（用未来数据训练）；②实体泄漏（同一场景/同一辆车/同一路段跨集）；③标签泄漏（测试集被用于挖 bad case 再训练）。泄漏让离线指标虚高，实车翻车。
关键要点
- 最隐蔽的是第三种：用测试集挖 case → 加入训练 → 指标涨 → 上线退化
- 防御：测试集访问审计、holdout 定期轮换、双盲评测
- 发现泄漏要能「重算历史指标」，否则无法判断之前哪些结论失效
面试怎么答
主动提「测试集只读、按季度轮换」，并说清为什么离线涨线上不涨。
相关知识
- 闭环失效的典型坑 — 常见失效：①采集分布偏移（只采容易触发的场景，长尾反而漏掉）；②标注与训练目标不一致；③离线指标涨、实车不涨（过拟合测…
- 训练/验证/测试划分 — 不能随机按帧划分——同一段视频的相邻帧高度相似，随机划分会造成「信息泄漏」，指标虚高。正确做法：按片段/按行程/按地理…