普通 AI 往往把答案写成一串数字，但有些答案天生不是“坐标”。比如，根据经济和环境指标预测一个国家完整的死亡年龄分布，而不只是平均寿命。分布、交通网络等对象不能随意相加减，却可以比较彼此“相隔多远”；这样的对象属于度量空间。论文提出 E2M，把端到端预测扩展到了这类输出。
它最巧的一步，是不让神经网络凭空生成复杂对象。网络先根据输入，为训练集里的已有答案分配权重，再求加权 Fréchet 均值——也就是寻找一个对象，使它到这些参考答案的加权平方距离总和最小。这样无需把分布或网络硬塞进普通坐标，也能保留输出自身的几何结构。作者在概率分布、网络和对称正定矩阵等任务上测试，并称 E2M 整体优于已有方法，样本越多优势越明显；真实案例包括 162 个国家的死亡年龄分布和纽约出租车网络。
这项工作的价值主要在方法边界：深度学习开始能直接回答“结构化对象是什么”。不过，部分理论结论仍要求输出空间有界或满足特定几何条件，实际用途也暂时偏统计与科学数据，离本刊更常关注的通用 AI 应用还有距离。