在对抗性环境中运行的检测模型面临着恶意分布的快速漂移，而良性分布则相对稳定，因此团队需要不断重新训练和重新部署，以应对新的威胁。重新训练往往会改变输出预测分数，这会破坏模型的下游用户。对于这些面向安全的模型，我们需要在所有输出值上保持一致的假阳性率（FPR），而标准概率校准方法则主要针对类别概率，而非FPR合同。
我们提出了一种基于现有校准原语的方法，旨在针对整个FPR曲线，使得得分在不同部署中具有一致的FPR含义。在一个保留的分割上，观察到的相对FPR误差在10%到0.1% FPR之间最多为2.3%，而在0.01% FPR时为7.2%。所发布的工件在从1K到10M的良性样本的校准集中的测量保持在200 KB以下。