想象几座相隔很远的岛：船若只在一座岛附近打转，就会误以为其他岛不存在。多峰分布也有类似问题——它包含多个彼此分离的高概率区域，代表数据支持的不同解释；采样器一旦困在某个“峰”，后续的概率和积分估计就可能偏离。
Fei Ding 等人提出 Warp-U sampling。它先用传输变换——一种在保留概率换算关系的同时重塑分布的方法——把多峰密度映射成单峰，再注入随机性，将结果变回原空间。论文给出两类 Warp-U 变换：一类基于位置、尺度和偏斜的混合模型，另一类使用 neural ordinary differential equations（以神经网络描述连续变换）。作者称，在同样掌握峰位置的条件下，该方法比常规方法更容易在不同区域间移动；高维场景仍依赖峰位置的信息。
团队还改进了桥采样——借助参考分布估计归一化常数或边际似然的方法。作者报告，新估计器按每秒 CPU 时间计算具有更高的渐近精度，并证明了采样算法的遍历性，即长期运行后能够覆盖目标分布；效果与当前限制通过模拟和系外行星探测应用展示。