假设统计机构只调查一部分企业，却掌握所有企业的登记信息。机器学习可以先根据登记信息预测营收，减少抽样误差；但如果同一批样本既拿来训练、又拿来检验，模型可能把样本记得太熟，残差显得过小，连误差范围也会被低估。An、Dagdoug、Haziza 与 Tillé提出一套通用框架，让预测模型负责提效，却不接管结论的可靠性依据。
关键一步是交叉拟合——把样本分组，用一组训练模型，再去预测未参与训练的另一组，随后轮换合并。论文进一步讨论了复杂抽样下何时各组能保持所需的条件独立；在合适条件下，配合条件纳入概率，可得到严格的设计无偏性。所谓设计推断，就是把“样本怎样抽出来”视为不确定性的来源，不要求机器学习模型完全正确。作者还给出一致的方差估计和渐近有效的置信区间，并称模拟中交叉拟合明显减轻了有限样本偏差、改善了区间覆盖。论文未披露统一的提升数字，价值主要在于：同一套保证可覆盖不同预测算法，不必每换一种模型就重做一遍推断理论。