技术札记：迈向代价空间中的 ROC 曲线

基于摘要分析。本文研究分类器的 ROC 曲线与代价曲线之间的联系，通过在一系列运行条件下计算期望损失，提出 ROC Cost Curves，并讨论其与 AUC、Brier Curves 及 Brier score 的关系。研究对象是通用分类评估与阈值选择，而非 EEG 或 BCI 解码方法。 核心机制是按运行条件选择分类阈值，使预测为正类的样本比例等于相应运行条件；摘要将该条件表述为代价比例或 skew。作者据此把 ROC 曲线转移到代价空间，并报告这些曲线下面积所衡量的期望损失与 AUC 存在线性关系。这一结论依赖特定阈值选择规则，不能直接理解为任意部署策略下的实际损失均由 AUC 决定。 作者还报告，当分类器输出的分数等间隔分布时，ROC Cost Curves 与 Brier Curves 相等，并据此声称建立了 AUC 与 Brier score 之间首个清晰联系。该等价关系具有明确的分数分布前提，不宜泛化到任意分类分数。具体推导、运行条件的取值与加权方式、适用假设及实验协议尚未验证。 平台推测（待验证）：这一评估机制可用于检验二分类 EEG 解码中排序能力与决策代价的差异，但需要明确误报与漏报代价、目标正类比例及阈值估计方式，而非改造解码网络。可在固定的跨被试划分上，对同一解码器按该规则绘制代价曲线，并核对其面积与 AUC 的理论关系。EEG 低信噪比、跨被试分布漂移及小样本可能使目标比例估计和阈值不稳定；上述检验不等于已证实的 BCI 性能提升，已有 EEG 相关工作尚未检索确认。