本文综述预测校准研究：单一评分规则无法保证对所有代理低后悔，但校准预测可保证罕见子线性后悔，并提出U-校准度量。后续研究涵盖多类别校准、无分布不确定性量化、在线多校准、领域级校准误差、决策校准、预测对冲、奇偶校准及无参普适预测等，推动二分类与回归任务的校准理论与算法发展。

该文综述机器学习校准领域多项研究：提出决策校准概念及多项式时间重校准算法；设计鼓励决策者调整属性的学习策略；建立概率预测校准评估框架；用多重假设检验实现风险控制校准；提出基于迁移学习的公平性去耦方法；研究概率分类器不确定性表示；提出field-level calibration error指标与神经校准方法；综述深度神经模型校准方法；实证研究过度/欠置信及准确率校准度局限；提出兼顾可靠性与可解释性的置信度校准方法及Reliability Plots评估机制。