像拿一小叠成绩单反复抽样，估计“真实水平可能波动多大”：抽法若改变了原有结构，最后的把握就会失准。高维线性模型——预测变量数量接近甚至超过样本量的回归——正有这个麻烦。传统成对 Bootstrap 会重抽整行输入与结果，容易把不确定性估得过大；残差 Bootstrap 只重抽拟合误差，又会估得过小。Ce Liang 与 Wei Ma 因此提出 diffusion pairs bootstrap：让扩散模型学习输入与结果的联合分布，再生成新样本，而不是机械复制原数据行。
论文最值得注意的判断是：生成分布“整体看起来接近”还不够。回归方差对极少出现、近乎奇异的样本很敏感——此时变量关系几乎无法区分，误差会被放大；这类坏样本即使很少，也可能破坏方差校准。作者因此要求扩散过程在整条逐步去噪路径上都准确，并据此证明特定条件下的方差一致性。作者报告，在十种输入与误差分布组合中，该方法通常改善方差与第一类错误——把无效关系误判为有效——的校准；但强异质的椭圆设计下，精确校准仍较困难。