估计学生真实水平时，只看一次考试分数并不稳；借全班成绩来校准会更可靠，但若不同年级、地区的学生共用同一套总体规律，也可能失真。Sugasawa 与 Zhao 提出的 conditional f-modeling，把这类背景信息作为协变量纳入经验贝叶斯——即从大量相似个体的数据中学习先验，再更新每个人的估计。
关键一步是证明：条件得分函数——条件概率密度取对数后对观测值的导数——不只通过 Tweedie’s formula 给出后验均值，还能确定后验的矩生成函数，进而恢复后验矩和不确定性。换句话说，它不只回答“最可能是多少”，也试图回答“这个估计有多不确定”。
方法用 Hyvärinen score matching 直接学习条件得分，避开随协变量变化、可能很难计算的归一化常数；在线性基展开下，估计还有闭式的岭回归形式。作者在模拟与 RNA-seq 数据上展示了方法，但现有材料未给出可独立核查的具体提升数字。