无分布预测推理领域提供了可证明有效的预测工具，无需对数据的分布进行任何假设，可与任何回归算法配对，以提供准确可靠的预测区间。这些方法提供的保证通常是边际的，这意味着预测精度在训练数据集和查询的测试点上保持平均水平。然而，更好的做法是获得训练条件覆盖的更强保证，这将确保训练数据集的大多数提取能够在未来测试点上实现准确的预测准确性。这种特性在分裂保角预测方法中是已知的。在这项工作中，我们检查了其他几种无分布预测推理方法的训练条件覆盖特性，发现训练条件覆盖是通过某些方法实现的，但如果没有其他方法的进一步假设，则无法保证。