複数の専門家による予測を組み合わせて、より良い集約予測を得るという問題は、機械学習や意思決定理論における重要な課題です。本研究は、この予測統合の問題に新しい視点をもたらします。従来の予測統合研究では、統合後の予測が特定の損失関数や堅牢性の基準に最適化されることが多かったのに対し、本論文が焦点を当てるのは、統合後の予測も元の専門家と同様に「校正済み」（calibrated）である必要があるという点です。つまり、複数のベイズ的専門家からの校正済み予測を統合して、その統合結果もまた信頼性のある校正済み予測を提供する新しい専門家を構築することが目標となります。 本研究では、入力となる各専門家が校正済み予測を報告し、統合アルゴリズムは状態の事前分布と各専門家の情報にアクセスできるものの、状態の真のベイズ確率は観測できない設定を考えています。この制約の下で、研究者たちは二つの主要な問題を追求しています。第一に、特定の目標専門家をブラックウェル洗練（Blackwell refines）し、入手可能な情報を用いてさらに改善できない校正済み出力専門家を構築できるかという問題、そして第二に、適切な損失関数が指定されている場合、そのような洗練の中から損失最適に近い専門家を効率的に計算できるかという問題です。 技術的には、研究者たちは校正済み専門家を縮約形式情報構造として定式化し、ブラックウェル支配によって洗練を測定しています。構築可能な出力専門家は観測可能な線形情報によって特性化され、入力専門家が生成する線形システムの行空間が、どの校正済み出力予測が識別可能かを決定することが示されています。アルゴリズム的な側面では、ランダム化された出力専門家を許容する場合、両方の問題に対して効率的なアルゴリズムが存在します。一方、決定論的出力専門家の場合は計算的に困難であり、決定論的な校正済み洗練の存在を判定することはNP困難であり、P=NPでない限り、決定論的な損失最適化には乗法的PTAS（多項式時間近似スキーム）が存在しないことが証明されています。