يعتمد اختبار البيانات الخارجية (Out-of-Distribution Testing) في تطبيقات تعلم الآلة على أساليب تقليدية غالبًا ما تعاني من قيود كبيرة. هذه الأساليب، التي تعتمد على التبادل المشترك (Joint Exchangeability)، تواجه صعوبات عند محاولة دمج المعلومات المساعدة مثل الهياكل المكانية والزمنية أو التكتلات. في محاولة لتجاوز هذه التحديات، تم تقديم أسلوب جديد يُعرف بالقيمة التناسقية التكيفية الهيكلية (Structure-Adaptive Conformal q-value أو SCQ)، وهو مؤشر على الأهمية يجمع الأدلة الفردية للاختبارات مع أنماط هيكلية متعددة.

كما تم تطوير طريقة جديدة تُدعى اختيار النماذج الآلي الموجه بواسطة نقاط مزيفة (Pseudo-Score-Guided Transductive Automated Model Selection أو P-TAMS)، والتي تعمل على توجيه عملية اختيار النماذج التناسقية لتناسب اختبارات البيانات الخارجية بشكل أفضل. تقدم هذه الأدوات معًا إطارًا موحدًا تحت التبادل الثنائي (Pairwise Exchangeability)، مما يؤدي إلى تحكم أفضل في معدلات الخطأ العينة، وزيادة القوة، وتعزيز قابلية الفهم.

أظهرت التجارب التي تم إجراؤها على بيانات محاكاة وحقيقية أن النهج المقترح لا يُحسن فقط من دقة النتائج، بل يحقق أيضًا تحكمًا فعالًا في معدلات الاكتشاف الخاطئ، مما يجعله خيارًا مثاليًا للعديد من التطبيقات في مجال تعلم الآلة العالي الحرج.