先从 \(X=x\) 认识 token
$X=x\to \widehat u_\phi(x)\ \text{or}\ q_\phi(u\mid x)$
Point 直接给出 candidate embedding；Gaussian 表达局部、有限 covariance uncertainty； Cauchy 用重尾对遥远 candidate mechanisms 保持开放。
Unit-specific outcome mechanisms
从个体表征，
到生成机制
一个 observation 实际来自一个 latent modeled unit。我们关心的不只是“看到这些 信息时，结果通常是什么”，还要从 evidence 推断 candidate units，并理解每个 candidate representation 如何决定 response。
当前预测综合 candidate responses，返回 conditional response，而不是挑出一个 unit
或一条 response function。当前主线固定一个 context，学习 unit-specific mechanisms；Context Mechanism
Learning 是面向迁移与 transport 的后续方向。主 observation regime 固定
events_per_unit = 1：alternative-input responses 是 missing truth，
不是额外训练观测。
Reader first · derive the learning problem
How to learn DiscoSCM?
-
01
先从 U 的必要性推导学习问题
这是 working paper 的读者入口，不是 prediction model landing page；它从“为什么需要 unit selector”走到什么才算 learn DiscoSCM。
打开 Learning DiscoSCM → -
02
再定对象与层级
分清 unit-specific mechanism、学习框架与 context 扩展。
阅读核心概念 -
03
最后看 DGP 与论文分工
理解生成语法，再按独立 claim 进入各篇论文与例子。
继续到 DGP 形式化
Core idea
一条主线，三层理解
好的 unit representation 应承载稳定、与 response 有关的异质性， 从而让 unit-specific mechanisms 在共享的 unit-modulated family 中更简单、更稳定。
同一个 (x) 再进入 generator
$Y=f_\theta(x,E;u)$
(u) 回答“哪个 token”，(x) 回答“面对什么 predictors”，(E) 回答“这一次发生什么随机 realization”。 \(q_\phi(u\mid x)\) 是 learner uncertainty，不是 physical identity redraw。
反事实与迁移按 query 扩展
反事实固定 factual (x) 得到的 abduction result，只把 query 改为 (x'\)； (U) 提供 same-unit linkage，(C) 提供 cross-context linkage。 二者都不自动带来 identification。
Technical documents
四篇文档，承担不同任务
第一篇固定研究对象和术语；第二篇展开数据生成语法；第三篇查验从 VCM 到现代 function generators 的学术谱系；第四篇把 Unit Abduction 与 Causal Forest 放进同一 localize-then-reduce 骨架。不再让一篇长文同时承担所有层级。
Start here
约 11 分钟
01
对象、框架与两种异质性
固定 unit-specific mechanism、Unit Mechanism Learning、Context Mechanism Learning 与 umbrella 的四层关系。
- actual unit、candidate uncertainty 与 observation 的边界
- 为什么 one factual event 是因果式主设定
- unit / context heterogeneity 两条轴
- prediction 为什么只是生成结构的投影
Next
约 12 分钟
02
DGP：为什么好的表征让机制更简单？
从 evidence-conditioned abduction 进入 outcome generation，并对照普通预测、 latent models、SCM、HTE 与 context learning。
- \(U=u\) 是 token/unit embedding realization；predictors \(X=x\) 先作为 factual evidence
- $Y\leftarrow f(X,E;U,C)$ 的角色分工
- point / Gaussian / Cauchy abduction，再调用 \(f_\theta(x,E;u)\) 预测 \(Y\)
- specializations 与 non-universal boundary
Narrative review v0.3
中文完整综述 · 23 条主干参考文献
03
从变系数模型到个体化响应函数学习
回答“前人是否提出过这个问题”：连接 varying-coefficient models、functional mixed effects、HTE / dose-response 与 Hypernetwork / Neural Process，并区分真实、半合成和纯合成证据。
- 查验 Hastie–Tibshirani 1993 原论文的数据与结果
- 解释 VCM 擅长的数据、失败边界与非主流原因
- 界定 stochastic unit selection、shared response family 与 conditional prediction 的开放空间
New technical bridge
Chinese-first · conceptual and mathematical comparison
04
同一种加权语法，不同的因果主语
Causal Forest 先在 observed training units 中形成自适应邻域，再估计 CATE； Unit Abduction 则对一个固定 focal token 的 latent candidate types 形成 belief， 并跨 queries 固定复用。共享的是 operator skeleton，不是 ontology 或 estimand。
- forest weights 如何定义 empirical soft subpopulation
- 为什么 \(\widehat\tau(x_i)\) 仍不是 literal personal effect
- 何时 \(Q_i\) 才能叫 evidence-weighted soft candidate subpopulation
- 从共同直觉长出三个可失败的实验 baseline
Research program
四篇独立论文，多个应用入口
Learning DiscoSCM 是当前 flagship；Unit Mechanism Learning、Token Causation 与 DiscoCATE 分别承担一般方法、causal ontology / attribution 与 HTE localization。 四篇互相启发，但各自拥有 theorem、experiment、failure 与投稿真值。
Learning DiscoSCM
Token-Level Generative Mechanisms from One Factual Observation
首问 “How to learn DiscoSCM?”，从 U 的必要性、latent token code 与 factual evidence 推导 abduction、uncertainty geometry、可学习架构和可证伪实验。
DiscoCATE
Heterogeneous Treatment Effect Estimation with Unit-Abducted Neighborhoods
把 pretreatment evidence 映射成完整 unit beliefs，以 probability-measure geometry 选择 observed donor rows，再局部平均 cross-fitted AIPW scores。当前已写 fixed-map identification；learned-belief stability 与 benchmark evidence 仍开放。
Unit Mechanism Learning
From Outcome Prediction to Unit-Specific Generation
定义 one-shot 条件下的 candidate-indexed unit-response family、evidence-conditioned prediction、不可识别性边界与 Cauchy–bilinear 闭式机制。已提供中文问答导读版，便于逐节审阅。
Token Causation
Token Causation from a Single Row
解释 row-as-token、identity / code、same-token linkage，以及预测 token response law 与 singular / actual causal attribution 之间不能被省略的边界。
Causal Regression
Learning Causal Mechanisms for Robust and Interpretable Prediction
从 factual evidence abduce candidate-unit uncertainty，再通过 response mechanism 得到 outcome prediction。入口区分修复版结果与历史投稿 provenance。
Counterfactual Response Modeling
Counterfactual Response Modeling with a Binary Treatment
把 binary treatment 放入 unit-conditioned response mechanism；synthetic、IHDP 与 RCT 保持不同 truth layers。
Continuous Treatment
Counterfactual Prediction with Continuous Treatments
从 binary switch 扩展到 dose-indexed response surface，并显式返回 support 与 extrapolation 边界。
Evidence boundary：一篇论文的实验结果不自动成为其他论文或整个框架的证据。
Open review questions
讨论与逻辑校准
这些文章不是外围随笔，而是基础论文正在接受的数学审阅：它们记录已经纠正的分支关系、
当前模型假设，以及 Unit Mechanism Learning 相对于历史方法真正需要证明的部分。
打开完整讨论与反馈索引 →
证据变量不是机制输入
Causal Regression 是 evidence-only branch；当前 Cauchy–bilinear UML 是 explicit-input sibling，不共享同一 tractable specialization。
查看逻辑修正与审计轨迹 →一条公式不是一个真理
解释 Cauchy–bilinear 公式的来历、七项底层假设、可学习权重，以及必须比较的 direct 与 low-rank 候选。
查看数学假设与候选模型 →Unit-specific mechanism 是 primary object
SCM 的 shared assignment 也会诱导 unit-specific slice；UML 的贡献落在 primary object、角色分离与 one-shot response-law target。
查看核心对象、SCM 关系与贡献边界 →Discussion boundary：这些页面用于校准论文 claim 与下一轮实验；它们不会把尚未完成的比较写成既定结论。
Examples & causal traps
用例子检查自己是否真的理解
先从一个完整 worked example 与一个 tractable kernel 入手；再用三类经典偏差检查 observation、intervention 和 mechanism 是否被混淆。
从 unit abduction 到 outcome distribution
逐步走完 evidence、unit representation、mechanism evaluation 与 predictive response。
打开示例Cauchy–Affine Response Kernel
观察 Cauchy abduction 与 affine mechanism 如何形成可计算的 response law。
打开 kernel相关性为什么会误导 mechanism judgment？
Connected causal system
从研究对象，进入学习、执行与交付
这三个入口承担不同职责：Primer 组织共同语言，Causal Engine 承担共享推理 contract， 10 Paper 只承接 package 与 venue pressure。它们都不反向拥有这里的 scientific source。
Research information
读者入口与研究维护入口分开
普通读者到这里已经完成主线。下面的信息服务于 paper collaboration、source tracing、 provenance 与 agent restart，不再占据首屏。
研究者与维护者 canonical sources · provenance · restart 展开
Canonical sources
Unit Mechanism Learning doctrine Hierarchy blog source DGP blog source Paper-family READMEPhase provenance
2026-06 四入口 F1 只保留为 phase-local review，不是当前 paper program 的全局 gate。
F1 reader request Phase archive Historical next-grow decision
为什么 URL 仍是 /hcgm/？
HCGM 继续作为兼容 route、repo 与历史 artifact label；当前研究对象已经明确为 Unit Mechanism Learning。这里保留 provenance，不让旧名字继续支配入口结构。