一个地方今天没起火，不等于它的火灾风险低；高风险地区也可能只是暂时走运。真正值得长期决策参考的，往往不是下一次会不会起火，而是背后那个无法直接观测的风险水平。Zheng、Zhou 与 Zhu 提出的 LatentCP，试图为这类“潜在分布参数”给出有覆盖保证的不确定性集合。
它最巧的一步，是不直接校准看不见的参数。方法先用共形推断——根据历史案例判断新结果有多反常——在可观测结果上圈出一个预测集合；再借助前向模型，也就是“某个隐藏参数会以什么概率产生哪些结果”的规则，反向筛选候选参数。若某个参数产生的结果有足够概率落入预测集合，它就被保留下来。这样无需历史数据提供隐藏参数标签，也不必预先知道这些参数在人群中的分布；多个无法从观测上区分的候选值也可以同时留下。
作者还发现，结果集合并非越宽，反推出的参数集合就一定越有效，因此组合多个覆盖层级，并用独立样本调权。论文称，该方法在合成实验中维持了名义覆盖率，并用于估计加州山火的潜在强度。保证依赖案例可交换及前向模型已给定；遇到分布漂移时，可靠性可能失效。