用房屋属性、描述和照片估价时，照片可能临时缺席，文字也可能与表格信息打架。模型即使给出“95% 可信”的价格区间，也可能只在整体上覆盖约 95% 的真实售价，却在缺图等特定情形下频繁失准。Ilia Azizi 的工作要解决的正是这个问题：别把资料齐全、来源冲突和输入缺失混在一起校准。
论文给每种信息来源各配一个预测器，再比较它们对同一目标的预测分歧。随后用共形校准——根据留出的历史误差调整新区间宽度——处理不确定性：一种做法随分歧连续放宽区间；另一种按分歧程度或哪些模态可用分别校准。关键是分组规则、模型选择和参数都必须在校准前确定，避免用同一批数据既定规则又验证规则。
作者自述，在四个多模态数据集的 60 组配对实验中，新方法有 59 组的区间综合评分不差于全局基线，52 组区间更窄，同时覆盖率接近 95% 目标；在最困难的固定缺失模式下，按相同缺失状态重新校准最多挽回 19.5 个百分点的覆盖率。它说明整体数字合格，不等于每种上线情形都可靠。