给一群相互认识的人随机发放干预时，抽签不只决定谁接受处理，还会改变每个人“有多少邻居接受处理”。这类辅助变量会跟着分组一起变，不能像年龄那样当成固定信息。若仍把它强行平衡到零，传统校正反而可能带来偏差、增大方差。
这篇论文抓住了一个关键点：这些变量虽会变化，但它们在随机分组下的预期值可由试验设计得知。作者因此不再要求估计值接近零，而是校准它与这个“设计已知目标”的误差。这个误差既能用于重随机化——分组不够平衡就重新抽签，也能在分析阶段修正 Horvitz–Thompson 等按暴露概率加权的估计量。作者还提出逐行 Lasso 校正，用稀疏选择处理辅助特征多于样本的情况，并证明在相应条件下可做联合渐近正态推断。论文的核心价值，是把网络实验中的高维校正对象从“变量本身”改成“相对正确目标的误差”；精度提升目前主要由作者的理论、模拟和社交网络应用支持。