金额没变，交易次数也没变，系统看起来一切正常。但据 Towards Data Science 报道，Benjamin Nweke 举了一个更隐蔽的例子：新定价层让客户以更低的单笔金额、更高的频率交易。两个特征各自仍在正常范围内，搭配关系却已经改变，模型赖以预测的规律可能随之失效。这就是数据漂移——上线后的输入规律发生变化。
文章给出的补充办法是对抗验证：把训练数据标为 0、生产数据标为 1，再让一个使用全部特征的分类器辨认样本来源。若两批数据没有可学习的差别，AUC——衡量分类器区分两类样本能力的指标——应接近随机猜测的 0.5；明显更高，则提示逐列直方图可能漏掉了联合关系变化。
示例把约 0.65 设为告警线，但作者明确说这是试错结果，不是通用标准，需要按数据自行校准。这种检查也更耗计算，适合每小时或每天运行，不宜逐请求执行，更不应取代便宜的单特征监控。