给城市画空气污染地图时，相邻监测站往往一起偏高或偏低。普通 split conformal prediction（先留出一批数据，再用其预测误差决定区间宽度）却把这些误差当成可以公平比较的一组样本。遇到空间依赖和非随机的站点布局，这种对称性——可交换性——可能消失，原本的覆盖保证也会失效。
Sen 与 Saha 的论文提出序贯白化：利用估计的协方差，依次让每个校准残差参考此前残差，剥离可预测的空间关联，再拿处理后的误差校准区间。关键之处是，它不仅利用训练阶段的残差，还利用校准残差本身携带的空间信息；最近邻近似则让方法能扩展到大型空间网络。作者证明，当工作协方差正确、残差服从椭圆分布时，无论采样点怎样布局，都能获得精确的有限样本覆盖；协方差设错时，保证会打折，因此论文也给出覆盖损失界和欠覆盖风险诊断。作者报告，在模拟和全美 PM2.5 应用中，该方法得到更窄、更稳定的区间，并标出可能覆盖不足的区域。