一家医院预测某位患者会使用 10 次医疗服务，真正重要的不只是“总体上猜得准”，还要看所有被预测为 10 次的人，实际平均是否也接近 10；配套区间也应在这一预测值附近兑现承诺。普通保形预测——用校准数据为模型加上预测区间——即使总体覆盖率达标，也可能在不同预测值上持续偏离。
论文提出 Isotonic Conformal Prediction（ICP，等距保形预测）：先用 isotonic regression（保序回归，即在保持单调关系的前提下重新映射预测值）做一次校准，再把校准后预测相近的样本分层，在层内构造区间。关键在于，它把“修正点预测”和“生成预测区间”拆开，避免旧方法 SC-CP 为每个候选结果反复重拟合校准器。
作者给出两种版本：SICP 的计算成本接近普通拆分保形预测，可在有限样本下保证按预测值计算的覆盖率，并渐近实现点预测校准；TICP 多一层逐测试点计算，则在有限样本下同时精确满足两项目标。作者称，两者在合成数据和医疗服务使用数据上匹配 SC-CP 的覆盖表现，同时显著降低计算成本；论文未在所供材料中给出统一的加速倍数。