同一台模型给两份样本打分，一个来自熟悉的数据范围，另一个偏离训练样本很远，它们的预测值即使相同，可信程度也不该一样。尤其在诊断或质检中，结果只比阈值高一点时，决策风险取决于这一次预测可能错多少，而不是模型的整体平均误差。
这项工作面向潜变量回归——先把大量彼此相关的指标压缩成少数综合因子，再据此预测结果。关键在于，降维不仅会让预测随机波动，还可能让某些样本系统性偏高或偏低。作者用 Gaussian process（根据相近数据推断误差规律的概率模型），分别学习压缩后的样本位置、预测偏差和误差方差，为每个样本建立自己的误差分布。
作者称，在果糖—蔗糖体系的 Raman 测量中，估计的误差分布与实测分布吻合；校正偏差后，均方误差下降，同时考虑偏差与方差的决策界限也比只看方差更利于检出分析物。水溶性预测实验还显示，这套方法可用于光谱之外的分子描述符数据；论文材料未披露具体改善幅度。