看股票波动或气象记录时，相邻数据往往会互相影响。普通 WAIC——一种兼顾模型拟合和有效复杂度、用来判断样本外预测潜力的贝叶斯准则——却把观测逐项计算。遇到时间或空间相关数据，它可能漏算模型复杂度，让预测评价显得过于乐观。
Safaa K. Kadhem 提出的 CC-WAIC，会计算各观测对数似然在后验抽样中是否一起波动，也就是后验协方差，从而补回跨观测依赖；数据确实独立时，它会严格退化为普通 WAIC。关键的工程改进是只保留协方差矩阵主对角线附近的“带状”部分：短程依赖通常随距离衰减，因此不必计算所有观测对。作者称，这把原本的平方级计算降为 ；带宽 较小时可视为线性级别，并提供了截断误差保证。
论文还用有效样本量修正 MCMC——从后验分布取样的计算方法——在有限样本下的偏差。不过，其理论保证依赖相关性指数衰减及条件似然可精确计算，不覆盖长记忆过程。