接收者操作特征（ROC）曲线是评估二元分类器性能的常用工具，广泛应用于机器学习、医学诊断、信息检索等领域。曲线下面积（AUC）尤其受关注，因其常被解释为分类器将随机选取的正样本排名高于随机选取的负样本的概率。然而，这一概率解释的严格形式化此前尚有所欠缺，导致在实际应用中存在一定的不确定性。
Steven Redolfi 在其论文“A Review of the Receiver Operating Characteristic Curve and a Proof About the Area Beneath It”（arXiv:2605.00926）中，正式证明了AUC确实等于该概率，前提是分类器对正负样本的评分分布满足连续性和单调性等假设。当这些假设不成立时，论文给出了AUC与真实概率之间的误差界限，使得AUC在更宽松条件下仍可被可靠使用。这一证明不仅巩固了AUC的理论基础，也为研究人员在应用AUC时提供了理论保障和误差范围参考。
论文首先回顾了ROC曲线的历史背景和基本概念。ROC曲线起源于第二次世界大战期间雷达信号检测的评估，后来被引入心理学、医学和机器学习等领域。它通过绘制真阳性率（TPR）与假阳性率（FPR）的关系曲线，直观地展示了分类器在不同阈值下的性能。AUC作为曲线下的数值积分，综合反映了分类器的排序能力。
接着，论文详细阐述了常见的概率解释：AUC等于随机正样本的得分高于随机负样本的概率。虽然这一解释被广泛引用，但其严格的数学证明并不多见。Redolfi通过假设正负样本的得分分布连续且单调递增，利用积分变换和排序概率的关系，给出了清晰的证明过程。更重要的是，当这些假设不成立时，例如得分分布不连续或存在平局，论文推导了AUC与真实概率之间的误差上界，该上界依赖于分布的离散程度和平局的处理方式。
此外，论文还提供了ROC曲线相关文献的综述，涵盖了AUC与其他性能指标（如准确率、召回率、F1分数）的比较，以及ROC曲线在多分类、不平衡数据集等场景下的扩展。这部分内容为读者提供了宏观视角，有助于理解ROC曲线在分类器评估中的独特优势。
总之，这篇论文不仅在理论上深化了对AUC的理解，也为实际操作提供了指导。它证明了AUC概率解释的合理性，并量化了潜在误差，使得研究者能够更自信地使用AUC作为模型性能的度量。对于从事机器学习、数据科学和相关领域的研究人员来说，这是一篇值得关注的重要文献。