# 不是同一个算法，却共享同一骨架：Causal Forest 与 Unit Abduction

<!-- CAUSAL-FOREST-UNIT-ABDUCTION-BRIDGE-2026-07-17-V1 -->

> Status: Chinese-first technical bridge article, 2026-07-17 V1  
> Public projection: `entry-site/learning-discoscm/causal-forest-unit-abduction/`  
> Scope: conceptual and mathematical comparison; not an equivalence theorem, not a superiority claim, and not evidence that token-level causation has already been identified.

## 一句话结论

两种方法都可以被看成

\[
\text{evidence}
\longrightarrow
\text{evidence-adaptive probability measure}
\longrightarrow
\text{causal reduction}.
\]

但它们把权重放在不同对象上，也回答不同问题：

- **现代 GRF-style Causal Forest** 在 observed population 中给训练 units 分配权重，估计的是
  forest 认为在 treatment-effect heterogeneity 上与 focal covariates 相关的 units 的
  conditional average treatment effect；
- **Unit Abduction** 在 latent unit-type space 中给 candidate types / mechanisms 分配权重，表达
  learner 对一个固定 actual focal token 的认识不确定性，并把同一 belief 固定用于不同 queries。

最短的区别是：

> Causal Forest 问“在已观察的人群里，谁应该替这个 \(x\) 发言？”；Unit Abduction 问
> “在 latent mechanism space 里，哪些 candidate types 仍可能属于眼前这个固定 token？”

---

## 1. 为什么这个类比成立？

给定一个 focal covariate value \(x\)，现代 generalized random forest 可以被写成 adaptive
nearest-neighbor estimator。若第 \(b\) 棵树中包含 \(x\) 的 terminal leaf 为 \(L_b(x)\)，训练
observation \(j\) 获得的 forest weight 是

\[
\alpha_j(x)
=
\frac{1}{B}
\sum_{b=1}^{B}
\frac{\mathbf 1\{X_j\in L_b(x)\}}
{|L_b(x)|},
\qquad
\sum_{j=1}^n\alpha_j(x)=1.
\]

在 honest forest 中，这里的 co-leaf set 与 leaf denominator 应限定在每棵树的 estimation
subsample；另一部分 split subsample 只负责决定 partition。Honesty 与下文的 orthogonalization
也是两项不同设计：前者分离 split selection 与 within-leaf estimation，后者 residualize outcome
与 treatment nuisances。

所以 forest 并不只是输出一个数字。它先根据 \(x\) 构造了一张“谁和这个 focal query 更相似”的
权重表。把 observation 写成 \(O_j=(X_j,W_j,Y_j)\)，可以进一步定义经验测度

\[
Q_x^{\mathrm{CF}}
=
\sum_{j=1}^{n}\alpha_j(x)\,\delta_{O_j}.
\]

这不是 Wager--Athey 原文声称的 Bayesian posterior，而是本文为了比较两类算法引入的
**measure-theoretic bridge lens**。在这个视角下，forest weights 定义了一个
evidence-weighted empirical subpopulation。

这里必须区分两个历史层次。Wager--Athey (2018) 的原始 causal forest 在各棵树的 leaf 内估计
treatment effect，再对 tree-level estimates 聚合；Athey--Tibshirani--Wager (2019) 的 GRF
框架则用 forest weights 求解 localized estimating equation。在 causal case 中，这两种聚合并不
严格等价。因此下文的 weighted orthogonal moment 精确指向 **现代 GRF / `grf::causal_forest`**
的解释，不是对 2018 原始算法每个计算细节的重写。

真正的 estimation 随后发生在这张 measure 上。对 binary treatment，现代 GRF causal forest
的目标是

\[
\tau(x)
=
\mathbb E\!\left[Y(1)-Y(0)\mid X=x\right],
\]

并可用 forest-localized orthogonal moment 理解：

\[
\sum_{j=1}^{n}
\alpha_j(x)
\bigl(W_j-\widehat e^{(-j)}(X_j)\bigr)
\Bigl[
Y_j-\widehat m^{(-j)}(X_j)
-\tau\bigl(W_j-\widehat e^{(-j)}(X_j)\bigr)
\Bigr]
=0.
\]

因此现代 GRF-style causal forest 的底层计算不是“找一个和 \(x\) 最像的人”，而是：

1. 用 forest 形成 adaptive neighborhood；
2. 把 neighborhood 表示成 weights \(\alpha_j(x)\)；
3. 在这张 weighted empirical measure 上解一个 causal estimating equation。

---

## 2. 为什么它仍然不是 literal unit-level effect？

对 focal row \(x_i\) 输出 \(\widehat\tau(x_i)\)，不等于识别了这个具体 token 的

\[
Y(1)-Y(0).
\]

Causal Forest 的正式 estimand 仍然是

\[
\mathbb E\!\left[Y(1)-Y(0)\mid X=x_i\right].
\]

这是“具有这些 observed covariates 的 population 平均会怎样”，不是“眼前这个固定 token
在两个世界中的 realized outcomes 分别是什么”。即使 \(X\) 很丰富，条件平均也不会自动变成
literal individual effect。

因此更准确的语言是：

> Causal Forest 提供 individualized / covariate-conditional causal prediction，
> 但其 target 是 local population average，而不是被单独识别的 physical-token counterfactual。

---

## 3. Unit Abduction 把 measure 放到哪里？

DiscoSCM 中只有一个 model-level Unit Selection Variable \(U\)。对样本 \(i\)，world-side
actual selection 已经固定为 \(U=u_i\)；learner 看到 factual evidence \(O_i\)，但看不到
\(u_i\)。Unit Abduction 形成 belief object

\[
Q_i(du)
=
\mathcal A_\phi(O_i)(du)
\approx
P(U\in du\mid O=o_i).
\]

这里的随机性是 learner 对同一个固定 actual token 的 epistemic uncertainty。candidate draw

\[
\widetilde u^{(m)}\sim Q_i
\]

不是重新生成一个 physical unit，而是取出一种仍与 evidence 相容的 latent-type hypothesis。

给定 causal / mechanism query \(a\)，预测 law 是

\[
\mathcal L_i(dy;a)
=
\int_{\mathcal U}
K_\theta(dy\mid a,u)\,Q_i(du).
\]

若比较不同 actions，核心规则是

\[
Q_i\ \text{fixed},
\qquad
a\ \text{changes}.
\]

也就是说，先根据事实证据认识“这个 token 可能是谁”，之后换问题时不能重新识别 token。
这就是 same-token linkage 的计算接口。

---

## 4. `soft candidate subpopulation` 何时成立？

target population 是 reference law，不是 Abduction 的产物。只有先声明
\(P_U^{\mathrm{tar}}\)，并且存在 evidence-compatibility weight \(w_i(u)\) 使

\[
Q_i^{\mathrm{tar}}(du)
=
\frac{w_i(u)P_U^{\mathrm{tar}}(du)}
{\int w_i(v)P_U^{\mathrm{tar}}(dv)},
\qquad
Q_i^{\mathrm{tar}}\ll P_U^{\mathrm{tar}},
\]

才可以把 \(Q_i^{\mathrm{tar}}\) 解释成
**evidence-weighted soft epistemic candidate subpopulation**。

这句话包含三个不能删除的限定：

- `soft`：不是硬性把 token 判入一个 class；
- `epistemic candidate`：是 learner 的候选 hypotheses，不是多名真实 units；
- `target-population-indexed`：权重必须相对于声明过的 reference population 才有
  subpopulation 语义。

若 \(q_\phi\) 是直接学习的 distribution，但没有满足或验证这条 reweighting contract，最准确的
名字仍然是 `focal-token candidate belief / distribution`。

---

## 5. 统一的数学骨架

令 \(e\) 表示 focal evidence，\(z\) 表示后续 reduction 所使用的 candidate object。定义一个
evidence-to-measure operator

\[
\mathsf B:e\longmapsto M_e\in\mathcal P(\mathcal Z),
\]

再定义 query-dependent reducer

\[
\mathsf T(e,q)
=
\mathsf R_q(M_e).
\]

两类方法都落入这张图，但 \(\mathcal Z\)、\(M_e\) 与 \(\mathsf R_q\) 完全不同。

### Causal Forest

\[
e=x,
\qquad
\mathcal Z=\{O_1,\ldots,O_n\},
\qquad
M_x=Q_x^{\mathrm{CF}}
=\sum_j\alpha_j(x)\delta_{O_j}.
\]

reducer \(\mathsf R\) 是 localized estimating equation；输出通常是 CATE 或其他 conditional
moment parameter。

### Unit Abduction

\[
e=O_i,
\qquad
\mathcal Z=\mathcal U,
\qquad
M_{O_i}=Q_i(du).
\]

reducer \(\mathsf R_a\) 把 latent candidate type 送入 shared mechanism，并对 \(Q_i\) 与 event
noise 进行 reduction；输出是 focal-token-indexed outcome law。

因此，真正共享的是：

\[
\boxed{
\text{先由 evidence 构造 measure，再在 measure 上完成任务特定的 reduction}
}
\]

而不是“两个算法都找相似人”这种过度简化。

---

## 6. 六个不能混淆的差别

| 问题 | Causal Forest | Unit Abduction |
|---|---|---|
| measure 的 atoms | observed training units / rows | latent candidate unit types / mechanisms |
| evidence 的作用 | 构造 adaptive empirical neighborhood | 形成关于固定 actual token 的 epistemic belief |
| 典型 target | \(\tau(x)=E[Y(1)-Y(0)\mid X=x]\) | \(\mathcal L_i(dy;a)\)，同一 token 的 query-indexed law |
| “个体化”的含义 | 为 focal \(x\) 给出 local population parameter | 为 focal token 保留独立 belief object |
| query 变化时 | 仍以 covariate value 定位 neighborhood | 明确固定 factual \(Q_i\)，只改变 mechanism query |
| 主要识别边界 | unconfoundedness、overlap、consistency 等识别 CATE | belief calibration、token sufficiency、intervention semantics、support、mechanism stability 与 coupling |

两个方向都不是弱版本。Causal Forest 对 CATE 的 statistical inference 有清楚的大样本理论；Unit
Abduction 追求的是另一种更细的 semantic decomposition。后者不能因为本体更细，就自动拥有
前者已经证明的 identification 与 inference guarantees。

---

## 7. Causal Forest 是 Unit Abduction 的特殊情况吗？

目前不能这样写成 theorem。

可以构造一个形式上的 bridge limit：令 latent candidate space 退化成 observed training-unit atoms，
令 belief 取 forest empirical measure

\[
Q_i^{\mathrm{bridge}}
=
\sum_j\alpha_j(x_i)\delta_{O_j},
\]

再让 downstream reducer 只计算 local conditional moments，就会得到 forest-like computation。

但这只是有用的重写，不是现有理论中的模型包含关系，原因包括：

1. forest weights 是为 target heterogeneity 学出的 adaptive similarity，不是 calibrated
   \(P(U\mid O_i)\)；
2. observed rows 不是 latent unit types；
3. Causal Forest 不需要显式学习 \(u\mapsto K_\theta(\cdot\mid a,u)\)；
4. CATE 的识别不等价于 fixed-token latent mechanism 的识别。

因此当前安全表述是：

> Causal Forest 是 `evidence-adaptive subpopulation + causal reduction` 的一个成熟实现；
> Unit Abduction 将这一计算骨架从 observed-neighbor space 推向 latent-token belief space。

---

## 8. 这个视角带来的可检验研究问题

这个比较不只服务解释，也给出三个直接 baseline。

### B1. Forest-weighted candidate baseline

把 \(\alpha_j(x_i)\) 直接当作 observed-unit candidate weights，固定 weights 后对多个 queries
做 prediction。它检验：learned latent abductor 是否真的优于成熟的 adaptive neighborhood。

### B2. Same-weight / changed-query audit

对每个 focal token 只计算一次 forest weights 或 \(Q_i\)，然后固定它们回答所有 actions。若每个
action 都重新构造 neighborhood / belief，就混入了 query-dependent token re-recognition。

### B3. Matched-estimand comparison

不能拿 Causal Forest 的 CATE 与 Unit Abduction 的完整 outcome law 直接比较一个总分。应至少分成：

- 相同 estimand 下的 CATE / conditional-location comparison；
- predictive distribution calibration；
- evaluator-hidden same-token response-curve error；
- 对 evidence corruption、overlap 与 support shift 的敏感性。

只有 B3 才能判断新增的 latent-token decomposition 是否提供了 causal / predictive value，而不是
仅仅提供了另一套内部表示。

这三个 baseline 已进一步长成一篇 proposal-only 算法文章：
[《如果由 Unit Abductor 定义 Subpopulation：一种异质性因果学习算法》](UNIT_ABDUCTED_HETEROGENEITY.md)。
它把 sample-space mismatch 分成 belief-neighborhood DR learner 与 unit-effect operator
inversion 两条路线，并明确 Cauchy / finite-moment、calibration 与 weak-identification 边界。

---

## 9. 读者可以怎样记住？

### Causal Forest

> 根据 \(x\) 找出一群在 treatment-effect 维度上应当互相借力的 observed units，再估计这群人的
> conditional average effect。

### Unit Abduction

> 根据 focal evidence 保留一组仍可能解释眼前 token 的 latent unit types，再让同一组候选回答
> 不同 causal queries。

### 共同骨架

> **Evidence 不直接给答案；它先决定谁有资格、以多大权重参与后续 causal reduction。**

---

## 10. Claim boundary

本文不声称：

- Causal Forest 原作者把 forest weights 称为 abduction posterior；
- forest leaf 就是 latent causal subpopulation；
- Unit Abduction 已经恢复真实 \(P(U\mid O_i)\)；
- predictive fit 自动识别了 token causation；
- Unit Abduction 在统计或经验上已经优于 Causal Forest。

当前可支持的结论只有：两种方法共享一个清晰而有生产力的 operator-level pattern；它们在
candidate space、estimand、same-token semantics 与 identification obligations 上仍然不同。

---

## Primary references

1. Wager, S. & Athey, S. (2018). [Estimation and Inference of Heterogeneous Treatment Effects Using Random Forests](https://doi.org/10.1080/01621459.2017.1319839). *Journal of the American Statistical Association*, 113(523), 1228--1242. Source for the original honest causal-forest estimator and its inference theory.
2. Athey, S., Tibshirani, J. & Wager, S. (2019). [Generalized Random Forests](https://doi.org/10.1214/18-AOS1709). *Annals of Statistics*, 47(2), 1148--1178. Source for the adaptive forest-weight and localized-moment formulation used in this bridge.
3. GRF team. [An introduction to generalized random forests](https://grf-labs.github.io/grf/articles/grf_guide.html). Official implementation guide; source for the modern `causal_forest` localized-Robinson interpretation.
4. HCGM. [Unit Selection Variable notation contract](DISCOSCM_UNIT_SELECTION_NOTATION.md). Canonical local source for \(U\), \(U=u_i\), \(Q_i\), target-population reference laws, and same-token reuse.
5. HCGM. [Learning DiscoSCM](LEARNING_DISCOSCM.md). Canonical local source for the current bounded learning problem and evidence boundary.