CORRECTED PAPER · FIVE-SEED EVIDENCE
Causal Regression，修复实现之后，结论还剩下什么？
当前 ontology 中，X=x 先作为 factual evidence 对同一个实际 token U=u* 做 abduction，一般模型再把 x 作为 outcome query 调用 Y_u(x)=f_θ(x,E;u)。 这篇 corrected CausalEngine 把 x 全部吸收到 encoder，没有独立 query channel，因此只验证 factual robust prediction，不声称已经实现固定 abduction 后查询 x′ 的 Layer 3 inference。 新版本修正 checkpoint、随机种子与报告口径，用五个独立 seeds 重新回答它实际在哪些条件下有效。
15/15 experiment groups complete · manuscript integrity check passed
CAUSAL REGRESSION HYPOTHESIS
O事实证据
ABDUCE
u同一实际 token 的 epistemic result
ε事件噪声
f响应机制
Y预测分布
Yu(x) = fθ(x, E; u)
当前实现使用受限的 f̄θ(E;u)：没有独立 x-query channel，也不等于仅凭 observational data 已完成因果识别。
14-PAGE CORRECTED PAPER5 INDEPENDENT SEEDS15/15 MATRICES COMPLETEFIXED PRIMARY REPORTEDPAIRED 95% INTERVALSHISTORICAL PROVENANCE PRESERVED
中文导读（推荐） · HCGM-GUIDE-ZH-2026-07-14-V1
先用中文把握问题、方法与证据边界。
面向中文读者的配套导读，帮助快速理解 Causal Regression 的核心设定、修复后的五种子结果，以及哪些因果主张仍需谨慎对待。
浏览器无法显示 PDF？请使用上方“在线阅读”或“下载”入口。
01 / THE CORRECTED PAPER
不是换一篇论文，而是让原论文接受证据约束。
新版本保留问题、模型与理论主线；必要修改集中在实现、估计对象、统计重复和 claim 强度。 历史投稿被完整保留为 provenance，但不再充当修复实现的性能事实。
Checkpoint
state_dict().copy() 改为真正独立的 deepcopy validation-best snapshot。
Replication
五个独立 seeds；每次运行记录 source hash、device、package 与 dataset provenance。
Estimand
固定 standard CausalEngine 是 primary；best-of-family 仅作为明确标注的 oracle。
Claims
报告 paired advantage、95% interval 与 wins；不再由单 seed 或 best-of-category 外推。
02 / THE METHOD
四阶段 CausalEngine，身份保留，解释更精确。
这是一个可学习的因果生成建模架构；它提供建模语义，但不会自动解决识别问题。
X → Z
Perception
从原始特征提取用于后续潜变量推断的表示。
q(u | Z)
Abduction
对同一个实际 token embedding 的 epistemic uncertainty；不是重新抽取身份。
ũ + E → S
Action
把 candidate embedding 与事件级随机性送入受限响应机制；计算不改变 token identity。
S → Y
Decision
把机制 score 映射为最终回归预测分布。
TRACTABLE WORKING MODEL
Cauchy uncertainty + affine response
u | Z ∼ Cauchy(location μU, scale γU)
S = W(ũ + E) + b
Abduction 也可为 point 或 Gaussian。Cauchy 非退化时没有 finite mean/variance；重尾保持远端 candidate-unit uncertainty，不保证任意 outcome 可生成。独立 Cauchy 分量仿射组合后仍为 Cauchy。
03 / CORRECTED RESULTS
优势仍在，但它是 shuffle-specific，而不是万能抗噪声。
下列结果全部来自相同 corrected source 和五个 seeds。正的 paired advantage 表示固定 standard CausalEngine 的 MdAE 低于该条件下最强的非 CausalEngine baseline。
SYNTHETIC · STATISTICAL · 40% SHUFFLE
68.9%mean relative MdAE reduction
95% CI [64.6%, 73.2%] · 5/5 paired wins
3.3950 vs 10.8609
SYNTHETIC · CAUSAL · 40% SHUFFLE
40.4%mean relative MdAE reduction
95% CI [28.4%, 52.3%] · 5/5 paired wins
0.2267 vs 0.3837
CALIFORNIA · 40% SHUFFLE
+0.0377paired absolute advantage
95% CI [0.0207, 0.0547] · 5/5 wins
other noise types do not support the old claim
被替换的历史 headline
Statistical 84.0% → 68.9%；Causal 55.7% → 40.4%。效果缩小，但五个 seeds 下的 40% shuffle 结论仍然稳定。
PUBLIC DATASETS · 40% GLOBAL LABEL PERMUTATION
固定 primary mode：6/8 个数据集的 95% interval 为正。
Family oracle 是 7/8，但它是另一种描述性 estimand，不能替代固定算法的结果。
| Dataset | Fixed CE | Best baseline | Paired advantage [95% CI] | Wins | Verdict |
|---|---|---|---|---|---|
| California | 0.2270 | 0.2647 | +0.0377 [0.0207, 0.0547] | 5/5 | positive |
| Concrete | 3.9838 | 4.3818 | +0.3979 [0.0897, 0.7062] | 5/5 | positive |
| CPU small | 1.5369 | 1.9129 | +0.3759 [0.0795, 0.6724] | 5/5 | positive |
| Diamonds | 107.4605 | 173.9354 | +66.4749 [36.7344, 96.2155] | 5/5 | positive |
| Kin8nm | 0.0553 | 0.0627 | +0.0073 [0.0020, 0.0127] | 5/5 | positive |
| Tecator | 1.3844 | 2.1033 | +0.7188 [0.0655, 1.3721] | 5/5 | positive |
| Bodyfat | 3.6119 | 1.7357 | −1.8763 [−3.0495, −0.7030] | 0/5 | negative |
| Space GA | 0.0674 | 0.0694 | +0.0020 [−0.0055, 0.0095] | 3/5 | inconclusive |
Synthetic 两类机制与 California 均为 5/5 wins，正区间。
California 与 Causal Synthetic 的固定 primary advantage 为负。
California interval 跨零；Causal Synthetic 显著为负。
California 与 Causal Synthetic 的固定 primary advantage 为负。
04 / CLAIM IMPACT
新版本最重要的不是数字更小，而是主张终于分层。
方法身份与生成直觉
个体结构 uncertainty 与事件噪声分离；Cauchy-affine response 可解析传播。
高噪声性能幅度
40% shuffle 优势在五 seeds 下保留，但 84.0% / 55.7% 被 68.9% / 40.4% 取代。
跨噪声类型一致领先
California 的 asymmetric 与 systematic 结论反转；outlier 没有统计支持。
因果机制恢复
鲁棒预测不是 causal identification 的证明；论文只陈述当前实验直接支持的层级。
05 / TWO PERMANENT EVIDENCE LINES
历史轨迹没有被覆盖，修复结果也不回填历史。
HISTORICAL REPRODUCTION
当年的结果怎样产生
冻结匿名投稿代码，只允许入口可执行的最小修复；保留旧 checkpoint 与随机轨迹，回答 provenance 问题。
CORRECTED REFERENCE IMPLEMENTATION
修正之后方法实际怎样
独立 checkpoint、显式 seed、optimizer 与数据 provenance；五种子结果用于新论文的 performance claims。
Cross-host repetition 检查运行时一致性；它不能替代 independent statistical seeds。dustinstudio 恢复在线后只做 cross-hardware replay，不会被重复计为第六个 seed。
06 / READER QUESTIONS
四个最容易读错的地方。
01这还是原来的 Causal Regression 论文吗？+
是。标题、研究问题、四阶段 CausalEngine 与方法身份都保留；改变的是实现质量、实验统计口径、理论边界和由证据支持的结论。它不是另写的一篇复现审计论文。
02label shuffle 后有标签没有改变，是 bug 吗？+
不是。论文采用全局随机 permutation；其中出现 fixed points 是正常的，它仍然打断了总体上的个体—标签对应关系。Derangement 是更强的 sensitivity protocol，不是本论文的主实验定义。
03真正影响历史结果的修复是什么？+
最关键的是 early-stopping checkpoint。原实现用浅复制保存 state_dict，tensor 会继续随训练更新；deepcopy 后才是真正独立的 validation-best snapshot。匹配消融表明，这解释了 corrected 优势下降的主要部分。
04鲁棒性是否证明模型恢复了真实因果机制？+
没有。当前实验支持的是特定数据、指标和 shuffle corruption 下的预测鲁棒性。因果机制恢复还需要识别性、外部干预或更强的机制验证，论文已经明确区分这两层主张。
CAUSAL REGRESSION · CORRECTED SUBMISSION