本研究提出了一种新的贝叶斯置信度估计器BACON，解决了深度神经网络使用Softmax时的极端预测问题。BACON通过验证数据估算概率，显著改善校准误差，尤其在不平衡测试集上表现出色。

本文研究了评估深度神经网络不确定性的度量标准，包括校准误差、Spearman排名相关性和负对数似然度量。结果表明，校准误差是最稳定和可解释性的度量标准，建议使用AUSE替代Spearman排名相关性。