Feature Store & Training-Serving Skew: 解释时间点正确性（point-in-time correctness）。

Core Concept: 训练样本的每个特征必须只含'该时刻之前'的信息；否则'未来信息'泄漏 → 离线虚高、线上崩盘。

数学机理：<strong>时间点正确性（point-in-time correctness）</strong>——(1) <strong>要求</strong>——训练样本在时刻 t 的每个特征，<strong>只能使用 t 之前（含 t）的数据</strong>计算；形式化：f_t=agg({x_s : s ≤ t})（若用了 s>t 的数据 → <strong>泄漏</strong>）。(2) <strong>为什么重要</strong>——(a) <strong>训练与推理的一致性</strong>——推理时（时刻 t）只有'过去的数据'；若训练时用了'未来的数据'，则训练与推理的<strong>特征分布不同</strong>（训练看到'不该看到的'）；(b) <strong>后果</strong>——(i) <strong>离线指标虚高</strong>（模型'作弊'）；(ii) <strong>线上崩盘</strong>（因为线上没有'未来信息'）；(iii) 这是'离线好线上差'的<strong>主要原因之一</strong>。(3) <strong>常见的泄漏来源</strong>——(a) <strong>聚合窗口</strong>——(i) '用户近 7 天的点击率'——若用'整个数据集'算（而非'截至 t 的 7 天'）→ 泄漏；(ii) 需用'截至 t 的滚动窗口'；(b) <strong>归一化</strong>——用'全量数据的均值/方差'做标准化 → 泄漏（应只用'训练集的统计'）；(c) <strong>目标编码（target encoding）</strong>——用'目标值的均值'编码类别 → <strong>严重泄漏</strong>（需交叉拟合）；(d) <strong>标签相关特征</strong>——如'是否被退款'（退款是'结果'）；(e) <strong>数据拼接</strong>——用'更新后的维度表'join'历史事实表'（维度表是'当前版本'，含未来信息）；(f) <strong>全局统计</strong>（如'物品的总销量'——含未来销量）。(4) <strong>实现方法</strong>——(a) <strong>特征带时间戳</strong>——每个特征值记录'它是在什么时刻计算的'（或'它反映的是哪段时间'）；(b) <strong>As-of Join（时间点连接）</strong>——把'事实表的时刻 t'与'维度表在该时刻的版本'连接：对每个 t，取'维度表中 update_time ≤ t 的最新版本'；<strong>关键</strong>——维度表需保留<strong>历史版本</strong>（不能只存最新）；(c) <strong>特征存储的支持</strong>——特征存储需支持'按时间点取特征'（这是它的核心能力）；(d) <strong>滚动窗口计算</strong>——用'截至 t 的窗口'而非'全量'；(e) <strong>交叉拟合</strong>（target encoding）——用 K 折，每折用'其他折'的数据算编码。(5) <strong>检测泄漏</strong>——(a) <strong>'太好'的离线指标</strong>（异常高的 AUC/准确率）；(b) <strong>特征重要性异常</strong>（某特征重要性远超其他）；(c) <strong>时间切分验证</strong>——用'过去训练、未来测试'（而非随机切分）；若时间切分下指标大跌 → 可能有泄漏；(d) <strong>'打乱时间'测试</strong>（若打乱后指标不变 → 可能没用时间信息）；(e) <strong>特征审计</strong>（逐个检查特征的'计算时间窗口'）。<strong>与其他问题的关系</strong>——(a) 与'训练-服务偏移'（同源）；(b) 与'数据泄漏'（M2 的缺失值与数据泄漏题）；(c) 与'离线-线上不一致'。<strong>实践建议</strong>——(a) <strong>特征带时间戳</strong>；(b) <strong>as-of join</strong>（维度表保留历史）；(c) <strong>滚动窗口</strong>（而非全量）；(d) <strong>交叉拟合</strong>（target encoding）；(e) <strong>时间切分验证</strong>（而非随机切分）；(f) <strong>特征审计</strong>（逐个检查）。<strong>度量</strong>——(a) 时间切分 vs 随机切分的指标差异；(b) 特征的时间窗口审计；(c) 回放一致性。

深度剖析与工程权衡：① <strong>'时间切分验证'是最实用的泄漏检测</strong>——随机切分会掩盖泄漏；面试中能指出是深度理解的标志。② <strong>'聚合窗口'是最常见的泄漏来源</strong>——用全量而非'截至 t'。③ <strong>'target encoding'需交叉拟合</strong>——否则严重泄漏。④ <strong>'维度表保留历史'是 as-of join 的前提</strong>——只存最新版本会导致 join 出'当前值'（含未来信息）。⑤ <strong>'特征审计'</strong>——逐个检查每个特征的'计算时间窗口'；这是必要的治理工作。⑥ <strong>面试要点</strong>——被问'什么是时间点正确性'，应给出'<strong>特征只含 t 之前的数据 + 泄漏后果（离线虚高/线上崩盘）+ 常见来源（窗口/归一化/target encoding/维度表）+ 实现（时间戳/as-of join/滚动窗口/交叉拟合）+ 检测（时间切分）</strong>'；能指出'时间切分验证'是深度理解的标志。