交叉验证有点像让模型参加几场抽题考试：题目怎么分，也会影响最后的平均分。通常各次随机分组互不相干；这篇论文提出，不妨让它们“反向配对”——一次结果偏高时，另一次倾向偏低，平均后便能抵消一部分抽签运气。
作者研究的是经典正态均值问题：不直接切分样本，而是给数据加入正态随机扰动，造出彼此独立的训练与测试视图。关键在于，每次扰动单独看仍遵守相同规则，因此估计的偏差——长期看是否系统性偏高或偏低——不变；但各次扰动如何共同安排，会改变方差，也就是重做评估时结果摇摆多大。
论文证明，对平滑估计器，当扰动逐渐减小、偏差趋近于零时，只有反向随机化能让可消除的方差保持有界；在作者构造的一类方案中，联合正态方案还是唯一的 minimax 最优选择，即按最坏情况衡量最稳。结论目前针对论文设定的正态均值框架，不能直接等同于所有常见交叉验证；但它给出一个实用方向：不增加折数，只重新编排折叠之间的关系，也可能让风险估计更稳定。