像给一批昂贵机器逐台做质检：每换一个参数就重新仿真，结论更稳，却可能贵得无法执行。RECAP要解决的正是这类难题。模拟推断用于“能生成数据、却算不出数据出现概率”的模型；但未经校准，即使方法给出“95%置信区间”，长期覆盖真实参数的比例也未必是95%。
RECAP的巧思，是不按参数表面上离得多近来共享仿真结果，而先学习一种“表示”——把高维参数压缩成少数真正影响检验分布的特征——再把表示相近的结果汇入同一池中估计阈值。论文的矩阵去噪例子尤其直观：原本的信号是高维矩阵，但检验统计量的分布只取决于两个非零奇异值；外观相距很远的矩阵，因此也能共用校准信息。这种“一次学习、多处复用”就是摊销。
作者为所得检验和置信集合给出覆盖率保证，并称模拟实验中，RECAP比现有方法的覆盖误差更低，检验能力接近逐点仿真的理想基准；代价则保留在摊销校准的水平。具体收益仍取决于低维表示能否准确保留分布变化。论文原文