估计平均值时，传统 Bootstrap 往往好用；但换成最大值、分位数这类“稍改数据，答案就可能跳一下”的非光滑统计量，置信区间容易不稳。Bootstrap 是把原样本反复有放回抽取，用结果的波动估计不确定性。已有的 m-out-of-n Bootstrap 每次只抽部分数据，能避开一些失效情形，却把难题变成了：到底抽多少？
这篇论文把选择权交给稳定性。它采用 BLB（Bag of Little Bootstraps，先取多个小样本，再在其中模拟大样本重采样），为不同子样本规模计算一套分数：既看各“小袋”给出的结果是否一致，也惩罚样本过小带来的不确定性和计算成本，然后自动选择得分最低的参数。作者报告的扩展模拟中，自适应 BLB 的区间覆盖率为 0.953，平均宽度 0.117，相对运行时间 0.34；普通 Bootstrap 分别为 0.913、0.104 和 1.00。换句话说，它用稍宽的区间换来更接近目标的覆盖，并保留计算优势。
不过，论文的理论只证明了有限候选参数中的选择一致性，并未宣称对所有非光滑统计量都有效；上述效果也来自作者的模拟，仍需针对具体统计量验证。