想比较培训者和未培训者的收入，却发现两组人在年龄、经历等方面几乎对不上。研究者通常会给少数“勉强可比”的人更大权重，让两组看起来平衡。但在特征很多、相似样本很少时，这种做法可能让几条记录左右结论：账面更整齐，答案反而更不稳定。
Yang 等人提出 Risk-Calibrated Balancing（RCB，风险校准平衡）。它不把协变量平衡——让两组干预前特征更接近——当作唯一目标，而是在现有权重上加入 ridge augmentation（一种用惩罚项限制模型过度外推的修正），再按反事实均值的条件预测风险选择惩罚强度。论文最关键的一步，是把有限样本下的风险精确拆成两笔账：尚未消除的特征差异，以及权重过度集中带来的噪声。前者推动模型加强外推，后者提醒它及时收手。
针对会随数据变化的权重，作者还用一份独立的目标人群评估样本来选参数，避免同一批数据既调权重又评风险。作者报告，目标感知调参通常能降低额外的目标预测风险，且重叠越弱，实际数据中的收益往往越大；不过具体改善幅度会随基础加权方法和数据而变。