区间基 AUC (iAUC)：扩展面向不确定性的分类 ROC 分析
机器学习
2026-02-05 v1
摘要
在高风险预测场景中，通过区间值预测来量化不确定性对于可靠决策至关重要。然而，标准评估工具如接收者运行特征（ROC）曲线和曲线下面积（AUC）设计用于点评分，无法捕捉预测不确定性对排序性能影响。我们提出了针对区间值预测的不确定性感知 ROC 框架，引入两种新措施： 和 。该框架实现了 ROC 平面的三区域分解，将两两排序划分为正确、错误和不确定三类。这一方法天然支持选择性预测，允许模型对排名区间重叠的案例放弃，从而优化放弃率与判别可靠性之间的权衡。我们证明，在有效的类条件覆盖率下， 和 分别为理论最优 AUC（）提供形式上的下限和上限，刻画了可实现判别的物理极限。该框架适用于各种区间值预测模型，无论区间构建方法如何。实验使用真实基准数据集，通过 bootstrap 基于区间验证框架的正确性，并展示了其在不确定性感知评估和决策中的实际实用性。
引用
@article{arxiv.2602.04775,
title = {Interval-Based AUC (iAUC): Extending ROC Analysis to Uncertainty-Aware Classification},
author = {Yuqi Li and Matthew M. Engelhard},
journal= {arXiv preprint arXiv:2602.04775},
year = {2026}
}