一家机构想找出哪些因素真正影响高收入人群，但数据分散在多台机器上，候选变量又多得筛不过来。麻烦在于：先从数据里挑出“表现最好”的变量，再照常计算置信区间，结果往往过于乐观。Yuan、Teng 和 Zhou提出一套分布式选择后推断方法，让各节点分别计算，不必集中全部原始数据，同时把变量筛选带来的偏差计入区间。
这项工作的关键一步，是处理分位数回归（估计中位数、第90百分位等分布位置，而非只看平均值）那种不平滑、难以分布式求解的损失函数。作者先构造“替代响应”，把问题转成带惩罚的最小二乘，再用 Lasso——把大量系数压到零的筛选方法——选择变量。随后，他们依据筛选时的约束，推导给定筛选结果后的条件分布，据此生成置信区间和检验。
整套算法只需本地机器与中心服务器通信三轮。作者证明了其在常规条件下的渐近有效性，并称模拟与真实数据应用显示有限样本表现令人满意；不过现有材料未给出可在速览中核对的具体覆盖率或性能数字。