多目标回归要求模型同时预测若干相关输出。共形预测能够在分布无关的前提下提供有限样本的边际覆盖保证，但要在模型无关且样本高效的情况下扩展到多维联合区域仍然困难。现有方法存在以下局限：最大聚合忽略尺度差异、基于 copula 的方法仅在渐近上有效、矩形方法通常需要拆分校准集、基于分位数或密度的方法则需要训练专门的模型而非普通点预测器。我们提出了 scaling‑score 共形方法，它仅依赖分量绝对残差，保持模型无关，只使用单一校准集，并产生四种嵌套输出：外部矩形 (SCO) 具备有效的联合覆盖、精确集合 $R_{\alpha}$、对 $R_{\alpha}$ 的近似阶梯集合 (SC2) 以及内部矩形 (SCI)。唯一超参数 $\gamma \in (0,1)$ 控制基矩形的分位水平，独立于 $\alpha$。我们证明了向下闭合性、矩形三明治界并给出闭式外部矩形。实验在 29 个真实数据集上验证了联合覆盖的有效性；当 $\gamma = 1-\alpha$ 时，SC2 在体积上始终与基线竞争，并且优势随输出维度 $d$ 增大。
点评：该方法在保持模型简洁性的同时，实现了高维多目标回归的可靠不确定性估计，具有较强的实用价值。