Delta-Audit：解释模型变更时发生了什么变化

模型更新（新的超参数、核函数、深度、求解器或数据）会改变性能，但其原因通常仍不透明。我们引入了Delta-Attribution（Δ-Attribution），一个模型无关的框架，通过差分逐特征归因来解释版本A和版本B之间发生了什么变化：Δφ(x)=φ_B(x)−φ_A(x)。我们使用Δ-归因质量套件评估Δφ，涵盖幅度/稀疏性（L1、Top-k、熵）、一致性/偏移（rank-overlap@10、Jensen-Shannon散度）、行为对齐（Delta Conservation Error, DCE；Behavior-Attribution Coupling, BAC；COΔF）以及鲁棒性（噪声、基线敏感性、分组遮挡）。通过在标准化空间中使用类别锚定边界和基线平均的快速遮挡/钳制实例化，我们审计了45种设置：五个经典族（Logistic Regression、SVC、Random Forests、Gradient Boosting、kNN）、三个数据集（Breast Cancer、Wine、Digits），以及每个族三个A/B配对。结果表明，归纳偏置变化产生大的、行为对齐的delta（例如，SVC poly→rbf在Breast Cancer上：BAC≈0.998，DCE≈6.6；Random Forest特征规则交换在Digits上：BAC≈0.997，DCE≈7.5），而'装饰性'调整（SVC gamma=scale与auto、kNN搜索）显示rank-overlap@10=1.0且DCE≈0。最大的重新分配出现在Breast Cancer上更深的GB（JSD≈0.357）。Δ-Attribution提供了一种轻量级的更新审计，补充了准确率，区分良性变化与行为上有意义或存在风险的依赖偏移。