延迟真实值下的证据充分性：用于风险决策系统的代理监控

机器学习系统在欺诈检测、信用评分和临床风险评估中 operate in 延迟真实值环境：结果标签在评估它们的决策之后数天到数月才到达。在此盲区期间，治理证据通过尚未得到充分关注的机制而退化——既有漂移检测方法也有治理框架未能充分解决此问题。本文形式化了一个包含四个维度（完整性、新鲜性、可靠性、代表性）的证据充分性模型，并构建决策就绪门户，用于量化标签延迟如何降低证据质量。该模型将三种漂移类型映射到维度特定的退化轨迹。一套补充的代理指标框架包含七个测量类别，在没有标签的情况下估计充分性退化，并明确覆盖映射及每种漂移类型的已知盲区。对IEEE-CIS欺诈检测数据集（约59万笔交易）进行控制漂移注入的评估显示，复合代理监控在发现协变量漂移和混合漂移时达到100%检测率，而在特征无变化的情况下概念漂移则保持未检测——这符合无监督检测在P(X)不变时不可实现的理论事实。盲区期间仿真确认了单调的充分性退化，其中概念漂移退化最快（在第60天S=0.242，而无漂移时为0.418）。该框架贡献了一个治理充分性监控工具；其价值在于将漂移信号转化为可审计的充分性评估，并对每种漂移类型的盲区进行表征。将充分性水平映射到治理行动需要特定部署的校准，超出本研究的范围。