一套模型在甲医院训练，拿到乙医院使用，患者构成可能已经变了。即使“同样特征对应同样结果”的规律不变，原先表现最好的模型也未必适合新人群。这就是协变量偏移：训练数据与目标人群的输入特征分布不同。更棘手的是，目标数据往往只有特征、没有结果，无法直接核对预测是否准确。
常见办法是重要性加权——让更像目标人群的训练样本拥有更大话语权。但少数样本的权重过大，又会让结果剧烈波动。论文提出 AIWMA：把“校正多少”也视为一种不确定性。它将训练与目标人群的密度比取不同次方，生成一组候选模型；一端是不加权的普通最小二乘，另一端是完整的重要性加权，再用数据决定如何平均这些候选预测。
最值得注意的是，它不再押注某一个校正档位，而是在“校正不足的偏差”和“权重过大的方差”之间组合下注。作者证明：模型设定有误时，该方法渐近接近候选模型最佳凸组合；设定正确时，权重会趋向普通最小二乘端。作者报告称，其模拟与真实数据应用中的目标预测表现具有竞争力，但论文未在所给材料中提供可概括的单一提升数字。