特征穿越是数据泄漏最常见的形态，指特征的计算使用了预测时刻之后才能获得的信息。它让离线评估看起来很美，上线后却原形毕露，是算法工程师必须警惕的陷阱。
一个典型例子是用户历史点击率特征：若统计窗口跨越了预测时刻，把未来的点击也算进去，模型就提前知道了答案。正确做法是以预测时刻为终点，只统计之前一段时间的行为。
物品侧特征同样危险。比如用物品上线至今的总点击量作为特征，预测时若物品刚上线不久，该特征与未来表现高度相关，本质上是把结果泄漏进了特征。应改用固定时间窗口的滞后统计。
标签构造也可能穿越。若用未来一段时间的累计行为定义正样本，而特征窗口与之重叠，就会泄漏。必须严格划分特征观察期、预测时刻和标签观察期，三者时间上不能交叉。
防范穿越要靠流程而非个人小心：建立特征时间语义规范、在训练流水线中强制时间对齐、用时间切分验证集做回归测试。发现离线指标异常高时，第一反应应是排查穿越。
