给不同人群做预测区间，像按街区备雨伞：只看全城平均，可能有人总是带多了，也有人总被淋；但只参考附近居民，样本又可能太少。这正是局部共形预测面对的难题。共形预测利用一批校准数据来划定预测区间；它通常保证整体覆盖率，却不代表每个细分人群都同样可靠。
Yinjie Min 等人提出 Enhanced Localized Conformal Prediction（ELCP）。它会借用相关任务的辅助数据，补足局部校准样本不足，同时允许辅助数据与当前数据存在分布偏移。具体来说，方法用“密度比加权的核估计器”——按两批数据的分布差异和样本与预测对象的接近程度调整权重——把辅助数据与校准数据结合起来。
作者的理论分析称，ELCP 保留了有限样本下的边际覆盖保证，也就是对所有对象合在一起仍能控制覆盖比例，并改善样本增多后的局部条件覆盖。模拟实验中，它的局部覆盖表现优于标准 LCP。值得注意的是，材料只披露了模拟结果，未提供真实数据实验或具体提升幅度。