谷歌团队用1个指标提前3天预警模型崩溃，F1还没掉它就响了

Window 3时，所有指标都完美。RWSS=1.000，输出概率纹丝不动，标签一个没动。系统显示"一切正常"。

然后警报响了。

Window 3: severity=warning RWSS=1.000 fired=True ← FIDI Z在这里触发

模型预测层还没察觉任何异常，符号层已经拉响警报。这是实验真实发生的一幕，也是每个在生产环境跑欺诈模型的人都该看的场景。

三种漂移，只有一种能让你毫无察觉地翻车

概念漂移检测比听起来难得多。三种常见漂移里，只有一种会真正改变模型学到的关联含义。实验在Kaggle信用卡欺诈数据集（284,807笔交易，欺诈率0.17%）上模拟了三种漂移，每种分8个渐进窗口推进。

协变量漂移。输入特征分布偏移，V14、V4、V12逐步移动最多+3.0个标准差。欺诈模式本身没变，只是世界看起来有点不同。

先验漂移。欺诈率从0.17%爬升到2.0%。特征不变，欺诈变得更常见。

概念漂移。欺诈样本的V14符号被逐步翻转，8个窗口后，模型学会标记为欺诈的交易现在看起来像正常交易。规则"IF V14 < −1.5σ → Fraud"指向了错误方向。

第三种才是生产环境真正的噩梦。协变量和先验漂移都有外部信号——输入分布变了，欺诈率肉眼可见地涨，你可以独立监控。概念漂移不留任何脚印，唯一变化的是模型学到的关联含义。等F1开始掉，你已经晚了。

除非有东西比你先看到。

符号层当"金丝雀"：零标签监控是怎么做到的

这个实验用的HybridRuleLearner架构训练两条并行路径：一条MLP做检测，一条规则路径从同样数据中学符号化的IF-THEN条件。规则路径在两个随机种子下都自己找到了V14，没人告诉它要盯这个特征。

学到的规则（IF V14 < −1.5σ → Fraud）现在成了监控对象。问题是：当V14开始行为异常，规则能当金丝雀吗？神经符号概念漂移监控能在推理时跑起来、完全不用标签吗？

答案是FIDI Z-Score，FIDI的Z分数扩展版，专门给符号层做异常检测。5组实验全部用它检测到欺诈模式偏移，有时提前1个窗口，全程零标签。

核心机制很朴素：监控规则触发模式的统计稳定性。不是看模型输出变没变，而是看"什么样的输入会触发这条规则"的分布是否漂移。符号层的规则有明确语义，比黑盒神经网络的隐层状态更容易建立统计基线。

为什么RWSS=1.000时警报还能响

RWSS（Random Walk with Staying State）是常见的漂移检测指标，衡量预测分布的稳定性。Window 3时它完美无瑕，因为模型输出确实没变——神经网络还没反应过来。

但符号层监控的是规则触发条件的输入分布。V14的欺诈样本开始悄悄变号时，规则"IF V14 < −1.5σ → Fraud"的触发率、触发样本的特征协方差都在偏移。这些信号比模型性能衰减早1-2个窗口出现。

换句话说，符号层监控的是"世界怎么变"，神经网络监控的是"我现在的判断是什么"。世界变了，判断还没变，这就是危险窗口。

实验代码已开源：https://github.com/Emmimal/neuro-symbolic-drift-detection

不熟悉这个系列的读者，一句话概括：HybridRuleLearner让神经网络自己学会符号规则，然后用这些规则当早期预警系统。前两篇讲架构和规则学习，这篇讲漂移检测。

生产环境的欺诈模型平均多久重训一次？如果答案是"等F1掉了再看"，这个实验给你另一个选项。