接收者操作特徵（ROC）曲線是評估二元分類器效能的常用工具，廣泛應用於機器學習、醫學診斷、資訊檢索等領域。曲線下面積（AUC）尤其受關注，因其常被解釋為分類器將隨機選取的正樣本排名高於隨機選取的負樣本的機率。然而，這一機率解釋的嚴格形式化此前尚有所欠缺，導致在實際應用中存在一定的不確定性。
Steven Redolfi 在其論文“A Review of the Receiver Operating Characteristic Curve and a Proof About the Area Beneath It”（arXiv:2605.00926）中，正式證明了AUC確實等於該機率，前提是分類器對正負樣本的評分分佈滿足連續性和單調性等假設。當這些假設不成立時，論文給出了AUC與真實機率之間的誤差界限，使得AUC在更寬鬆條件下仍可被可靠使用。這一證明不僅鞏固了AUC的理論基礎，也為研究人員在應用AUC時提供了理論保障和誤差範圍參考。
論文首先回顧了ROC曲線的歷史背景和基本概念。ROC曲線起源於第二次世界大戰期間雷達訊號檢測的評估，後來被引入心理學、醫學和機器學習等領域。它透過繪製真陽性率（TPR）與假陽性率（FPR）的關係曲線，直觀地展示了分類器在不同閾值下的效能。AUC作為曲線下的數值積分，綜合反映了分類器的排序能力。
接著，論文詳細闡述了常見的機率解釋：AUC等於隨機正樣本的得分高於隨機負樣本的機率。雖然這一解釋被廣泛引用，但其嚴格的數學證明並不多見。Redolfi透過假設正負樣本的得分分佈連續且單調遞增，利用積分變換和排序機率的關係，給出了清晰的證明過程。更重要的是，當這些假設不成立時，例如得分分佈不連續或存在平局，論文推導了AUC與真實機率之間的誤差上界，該上界依賴於分佈的離散程度和平局的處理方式。
此外，論文還提供了ROC曲線相關文獻的綜述，涵蓋了AUC與其他效能指標（如準確率、召回率、F1分數）的比較，以及ROC曲線在多分類、不平衡資料集等場景下的擴充套件。這部分內容為讀者提供了宏觀視角，有助於理解ROC曲線在分類器評估中的獨特優勢。
總之，這篇論文不僅在理論上深化了對AUC的理解，也為實際操作提供了指導。它證明了AUC機率解釋的合理性，並量化了潛在誤差，使得研究者能夠更自信地使用AUC作為模型效能的度量。對於從事機器學習、資料科學和相關領域的研究人員來說，這是一篇值得關注的重要文獻。