本文提出了一种基于误差对齐的不确定性优化方法，旨在提高深度神经网络的预测不确定性与模型误差的相关性。研究评估了多种回归任务中的不确定性预测校准方法，并探讨了模型复杂度与不确定度之间的权衡。实验结果表明，该方法在多个数据集上表现优异，特别是在车辆运动预测和物体检测任务中。

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。