同时预测气温、湿度和风速时，模型给出的不再是数轴上的一段区间，而是多维空间中的一块区域。区域太小，真实结果容易落在外面；区域太大，又几乎等于没说。这项工作想解决的，正是如何在可靠覆盖结果的同时，把这块区域收得更紧。
Sacha Braun 等人提出“最小体积共形集合”。共形预测是一套构造预测集合的方法，其吸引力在于有限样本有效性——不必假设数据无限多，也能控制真实值落入集合的比例。新方法用一个直接优化覆盖集合体积的损失函数，同时学习预测模型与不确定性，并让衡量预测偏差的“不符合度分数”适应残差分布和输入特征。它支持由任意范数球定义的集合，也允许组合多种范数。作者称，真实数据实验显示这些集合更紧、信息量更高且计算高效；供稿摘要未披露具体缩小幅度、数据集或运行成本。