# 如果由 Unit Abductor 定义 Subpopulation：一种异质性因果学习算法

<!-- UNIT-ABDUCTED-HETEROGENEITY-SOURCE-2026-07-17-V1 -->

> Status: Chinese-first algorithm proposal, 2026-07-17 V1  
> Public projection: `entry-site/learning-discoscm/unit-abducted-heterogeneity/`  
> Research status: `proposal_only` — 已定义 estimand、estimator 与 failure tests；尚无 theorem、benchmark 或 superiority evidence。  
> Scope: ex-ante binary-treatment HTE with admissible pretreatment evidence. Ex-post posterior counterfactuals require a different evidence and identification contract.

## 一句话结论

**可以做成异质性算法，但不能把 \(Q_i\) 直接塞进 Causal Forest，假装它就是新的 forest
weight。** 两者位于不同 sample spaces：forest weight \(\alpha_j(x)\) 对 observed training rows
赋权；Unit Abductor 的 \(Q_i(du)\) 对同一个 focal token 的 latent candidate types 赋权。

正确的桥有两条：

1. **Belief-neighborhood learner**：先用 \(Q_i\) 与 \(Q_j\) 的距离产生 observed-row weights，
   再平滑 cross-fitted causal score；
2. **Unit-effect operator inversion**：把 observed causal signal 写成 \(Q_i\) 对 latent type effect
   的积分，再反演 type-level effect function，最终输出 focal effect law。

第一条最容易实现，却很可能只是“在 distribution-valued representation 上做 CATE”；第二条才把
Unit Abduction 变成新的 heterogeneity learning object。

---

## 1. 真正的研究问题

Causal Forest 对 focal \(x\) 构造 adaptive empirical measure

\[
\widehat P_x^{\mathrm{CF}}
=
\sum_{j=1}^n \alpha_j(x)\,\delta_{Z_j},
\qquad Z_j=(X_j,T_j,Y_j),
\]

再在这张 observed-row measure 上解 local causal moment。

Unit Abductor 则从允许使用的 evidence \(S_i\subseteq X_i\) 形成

\[
Q_i(du)=\mathcal A_\phi(S_i)(du),
\]

其中 actual token 的 world-side selection 已固定为 \(U=u_i\)，而 \(Q_i\) 表示 learner 对它的
stable latent type 的 epistemic uncertainty。

因此问题不是“能否把一组 weights 换成另一组 weights”，而是：

> 能否把 orthogonal causal signal 投影到一组 focal latent-belief measures 上，从而学习
> type-level response heterogeneity，并把尚未消除的 unit uncertainty 传播到 treatment effect？

这是一项成立的研究问题；但回答它必须先处理 sample-space mismatch、confounding、operator
identification 与 belief calibration。

---

## 2. 最小 \(X,T,Y\) model 与共同 causal score

### Stage 0：先固定 world、evidence 与 estimand

先只考虑最小的 ex-ante binary-treatment setting：

\[
\mathcal D_n
=
\{(X_i,T_i,Y_i)\}_{i=1}^{n},
\qquad
T_i\in\{0,1\},
\qquad
O_i:=X_i.
\]

其中 \(X_i\) 只包含 pretreatment covariates，也是 Stage 0 的全部 factual evidence；\(T\) 是
treatment-assignment variable，\(T_i\) 是 factual realization，\(t\in\{0,1\}\) 是 mechanism
query；\(Y_i=Y_i(T_i)\) 是唯一 observed outcome。因此

\[
T_i,Y_i\notin O_i.
\]

整个模型仍只有一个 model-level Unit Selection Variable \(U\)。对 record \(i\)，world-side truth
是事件 \(U=u_i\)，不是按 record 复制一组 Unit Selection Variables。令 \(E_0,E_1\) 表示两个
treatment 下的 event-noise counterparts，最一般的 response model 写成

\[
Y(t)=f_0(X,t,E_t;U),
\qquad t\in\{0,1\},
\]

所以样本 \(i\) 的 potential outcomes 与 factual outcome 是

\[
Y_i(t)
=
f_0(X_i,t,E_{i,t};u_i),
\qquad
Y_i
=
T_iY_i(1)+(1-T_i)Y_i(0)
=
f_0(X_i,T_i,E_{i,T_i};u_i).
\]

这里暂时只需要 \(E_0\) 与 \(E_1\) 各自的 marginal law。若直接令两个世界共享同一个 event
noise realization \(E_0=E_1\)，就已经额外选择了一种 cross-world coupling；CATE 与下面的
type-level mean effect 不需要先做这个选择。

在当前 observation contract \(O_i=X_i\) 下，target-population oracle belief 与 learner belief
分别是

\[
Q_{x_i}^{\star}(du)
:=
P_{\mathrm{tar}}(U\in du\mid X=x_i),
\qquad
\widehat Q_i(du)
=
\mathcal A_{\widehat\phi}(X_i)(du)
\approx
Q_{x_i}^{\star}(du).
\]

\(\widehat Q_i\) 只根据 \(X_i\) 形成一次，并固定用于两个 treatment queries：

\[
\widehat Q_i^{(0)}
=
\widehat Q_i^{(1)}
=
\widehat Q_i.
\]

这不声明 causal arrow \(X\to U\)，也不表示已经恢复了真实 posterior。若两个 records 有完全相同
的 \(X=x\)，在这个最小 observation contract 下，它们的 oracle belief 都是同一个 \(Q_x^\star\)；
因此 \(O=X\) 本身不提供 within-\(x\) 的额外 unit personalization。

定义 latent-type conditional response mean 与 treatment-effect surface

\[
m_t(x,u)
:=
\mathbb E\!\left[Y(t)\mid X=x,U=u\right],
\qquad
\Delta_0(x,u)
:=
m_1(x,u)-m_0(x,u).
\]

若这些均值存在，则 iterated expectation 给出第一条基础恒等式：

\[
\boxed{
\tau(x)
:=
\mathbb E[Y(1)-Y(0)\mid X=x]
=
\int_{\mathcal U}\Delta_0(x,u)Q_x^\star(du)
}.
\]

对 focal record \(i\)，还可以定义 latent mean-effect 的 epistemic pushforward law

\[
G_i^\star
=
\bigl(\Delta_0(X_i,\cdot)\bigr)_\#Q_{x_i}^\star.
\]

但在 \(O=X\) 时，\(G_i^\star\) 的均值若存在，仍然正好是 \(\tau(X_i)\)。所以新增对象是完整的
candidate effect law / belief geometry，不是一个自动比 CATE 更“个体”的新平均效应。普通单行
\((X,T,Y)\) data 即使识别了 mixture \(\tau(x)\)，也不会自动分别识别
\(Q_x^\star\) 与 \(\Delta_0(x,u)\)。

最后，world response model 本身不提供 causal identification。Stage 0 仍需 consistency、no
interference、conditional exchangeability

\[
\{Y(0),Y(1)\}\perp T\mid X
\]

与 overlap \(0<e(x)<1\)。一个更强但清楚的 structural sufficient condition 是

\[
T\perp(U,E_0,E_1)\mid X.
\]

若 latent \(U\) 在给定 \(X\) 后仍同时影响 treatment assignment 与 outcome，Unit Abduction
本身不会修复 hidden confounding。

### Stage 1：构造 observed causal score

考虑 binary treatment \(T\in\{0,1\}\)，并令

\[
\mu_t(x)=\mathbb E[Y\mid T=t,X=x],
\qquad
e(x)=P(T=1\mid X=x).
\]

在 consistency、unconfoundedness given \(X\) 与 overlap 下，可构造 cross-fitted AIPW
pseudo-outcome

\[
\widehat\Gamma_j
=
\widehat\mu_1^{(-k)}(X_j)-\widehat\mu_0^{(-k)}(X_j)
+
\frac{T_j\{Y_j-\widehat\mu_1^{(-k)}(X_j)\}}
{\widehat e^{(-k)}(X_j)}
-
\frac{(1-T_j)\{Y_j-\widehat\mu_0^{(-k)}(X_j)\}}
{1-\widehat e^{(-k)}(X_j)}.
\]

若 nuisances 合法，则

\[
\mathbb E[\widehat\Gamma\mid X=x]
\approx
\tau(x)
=
\mathbb E[Y(1)-Y(0)\mid X=x].
\]

这个 score 只解决 observed-confounding adjustment。\(Q_i\) 不自动提供 exchangeability，也不
替代 propensity / outcome nuisances。

### Evidence contract

为了和 Causal Forest 做同一 ex-ante HTE 问题的比较，Unit Abductor 只能读取 admissible
pretreatment evidence \(S_i\)。如果把 factual treatment 或 outcome \(Y_i\) 放进 \(Q_i\)，得到的
是 conditional-on-this-factual-event 的 ex-post belief；那是另一个 counterfactual problem，不能
直接复用本节的 benchmark 与 score。

---

## 3. Prototype A：Belief-neighborhood DR learner

这是对“让 Unit Abductor 定义 neighborhood”最直接、也最保守的实现。

在 \(Q_i,Q_j\ll P_U^{\mathrm{tar}}\) 时，可以用 Hellinger affinity 衡量两个 beliefs 的共享
candidate support：

\[
\rho(Q_i,Q_j)
=
\int
\sqrt{
\frac{dQ_i}{dP_U^{\mathrm{tar}}}(u)
\frac{dQ_j}{dP_U^{\mathrm{tar}}}(u)
}
\,P_U^{\mathrm{tar}}(du).
\]

再把 belief similarity 拉回 observed training rows：

\[
\omega_{ij}^{Q}
=
\frac{K_h\!\left(1-\rho(Q_i,Q_j)\right)}
{\sum_{\ell\notin I_{k(i)}}K_h\!\left(1-\rho(Q_i,Q_\ell)\right)},
\qquad j\notin I_{k(i)}.
\]

最后平滑 cross-fitted score：

\[
\widehat\tau_{\mathrm{BN}}(Q_i)
=
\sum_{j\notin I_{k(i)}}\omega_{ij}^{Q}\widehat\Gamma_j.
\]

有限 bandwidth 下，它估计的是

\[
\tau_h(q)
=
\frac{
\mathbb E\!\left[K_h\{d(q,Q(S))\}\tau(X)\right]
}{
\mathbb E\!\left[K_h\{d(q,Q(S))\}\right]
},
\]

而不是眼前 physical token 的 realized individual effect。

### 为什么用 DR score，而不是直接局部 R-loss？

如果在一个较粗的 \(Q\) 上直接局部化 R-learner moment，population target 通常是

\[
\frac{
\mathbb E[e(X)\{1-e(X)\}\tau(X)\mid Q]
}{
\mathbb E[e(X)\{1-e(X)\}\mid Q]
},
\]

也就是 overlap-weighted effect，不一定等于 \(\mathbb E[\tau(X)\mid Q]\)。AIPW
pseudo-outcome 让第一版文章的 estimand 更清楚。

### 这条路线的边界

它是一个真正可运行的 heterogeneity estimator；但若 \(Q_i\) 最终只被压成 point embedding 或
posterior-similarity matrix，这条路线非常接近已有的 representation-based HTE、latent subgroup
HTE 与 posterior co-clustering。它应作为强 baseline，而不是宽泛 novelty claim。

---

## 4. Prototype B：Unit-effect operator inversion

更 HCGM-native 的路线，是不把 \(Q_i\) 只当距离，而把它保留为完整 probability measure。

Stage 0 中的一般 effect surface 是 \(\Delta_0(x,u)\)。仅凭

\[
\tau(x)=\int\Delta_0(x,u)Q_x^\star(du)
\]

并不能从 ordinary one-row data 分别识别 \(Q_x^\star\) 与一个完全自由的
\(\Delta_0(x,u)\)。为了得到第一个可反演 prototype，本节额外施加 **type-only effect / token
sufficiency** restriction：

\[
\Delta_0(x,u)=\Delta_0(u)
\qquad
\text{for all target-relevant }(x,u),
\]

等价地，

\[
\mathbb E[Y(1)-Y(0)\mid S,U=u]=\Delta_0(u).
\]

这是 operator-inversion learner 的强结构假设，不是 \(Y=f_0(X,T,E;U)\) 自动推出的结论；若
residual \(X\times T\) effect modification 仍然存在，后续必须改用受限 basis / low-rank
\(\Delta_\beta(x,u)\)，不能继续假装 effect 只依赖 \(u\)。

如果 \(Q_S(du)=P(U\in du\mid S)\) 是相对于 target reference law 校准的 belief，那么

\[
\mathbb E[\Gamma\mid S]
=
\int_{\mathcal U}\Delta_0(u)Q_S(du)
=
(\mathcal T\Delta_0)(S).
\]

于是 type-level heterogeneity learning 变成一个 inverse problem：

\[
\widehat\Delta
=
\arg\min_{\Delta\in\mathcal H}
\sum_{j=1}^{n}
\left[
\widehat\Gamma_j
-
\int\Delta(u)\widehat Q_j(du)
\right]^2
+
\lambda\|\Delta\|_{\mathcal H}^{2}.
\]

这一步与 forest 的逻辑已经不同：forest 直接在 observed neighborhood 中求 local effect；这里先
利用一组 soft candidate measures 反演 latent type effect function。

### 离散 \(K\)-type 最小版本

为了把第一轮数学推导说清楚，先把 \(Q_j\) 当作 externally given / oracle-calibrated、并且所有
records 共享同一组 anchored latent-type coordinates；本轮不同时解决 abductor learning 与
effect learning。

若

\[
Q_j=(q_{j1},\ldots,q_{jK}),
\qquad
\boldsymbol\Delta=(\Delta_1,\ldots,\Delta_K)^\top,
\]

则 mixture restriction 是

\[
\mathbb E[\Gamma_j\mid S_j]
=
q_j^\top\boldsymbol\Delta.
\]

令 \(R_{jk}=q_{jk}\)，一个 ridge estimator 为

\[
\widehat{\boldsymbol\Delta}
=
(R^\top R+\lambda I)^{-1}R^\top\widehat{\boldsymbol\Gamma}.
\]

因为 \(\sum_k q_{jk}=1\)，\(R\) 的 column span 已包含 constant direction；最小版本不再添加一个
独立 intercept。对 focal record \(i\)，算法输出

\[
\widehat{\bar\Delta}_i
=
q_i^\top\widehat{\boldsymbol\Delta},
\qquad
\widehat G_i
=
\sum_{k=1}^{K}q_{ik}\,\delta_{\widehat\Delta_k}.
\]

前者是当前 belief 下的 expected type effect；后者保留这个 token 仍可能属于哪些 effect types。
\(\widehat G_i\) 不是 realized individual treatment-effect distribution。

它把一个新的 identification diagnostic 暴露得非常清楚：

\[
\lambda_{\min}\!\left(\mathbb E[q q^\top]\right)>0.
\]

如果所有 \(Q_j\) 都几乎相同、都十分 diffuse，type effects 就无法被稳定分开。这是
**belief-operator weak identification**，不同于 treatment positivity，却同样必须报告。

### 一般 basis 版本

取 bounded latent features \(b(u)\in\mathbb R^p\)，令

\[
\Delta_\beta(u)=b(u)^\top\beta,
\qquad
z_j=\int b(u)\widehat Q_j(du).
\]

那么只需对 cross-fitted causal score 做 ridge regression：

\[
\widehat\beta
=
\arg\min_\beta
\sum_j(\widehat\Gamma_j-z_j^\top\beta)^2
+
\lambda\|\beta\|_2^2.
\]

这给出一个最小可实现的 **Unit-Abducted Effect Learner**。

---

## 5. 它输出什么异质性？

对一个 focal token，只 abduct 一次得到 \(Q_i\)，然后输出：

这里的 \(Q_i\) 不是新 population，而是关于同一个 fixed actual token 的 candidate belief；
target population 必须在 abduction 之前声明。

### 5.1 Focal expected effect

在 integrability contract 成立时，

\[
\widehat{\bar\Delta}_i
=
\int\widehat\Delta(u)\widehat Q_i(du).
\]

这是 learner 根据当前 evidence 对 latent mean effect 的 posterior average，不是已观察到的 personal
effect。

### 5.2 Focal effect law

更完整的对象是 pushforward

\[
\widehat G_i
=
(\widehat\Delta)_\#\widehat Q_i,
\qquad
\widehat G_i(B)
=
\widehat Q_i\{u:\widehat\Delta(u)\in B\}.
\]

它保留“这个 token 仍可能属于哪些 effect types、各有多大权重”。可以由此报告分位数、
benefit probability 或 multimodality，而不必先把 \(Q_i\) collapse 成一个向量。

### 5.3 四种不能混在一起的不确定性

1. \(Q_i\) 中的 focal unit-type epistemic uncertainty；
2. \(K_\theta(dy\mid a,u)\) 中的 event / aleatoric noise；
3. \(\widehat\Delta\)、nuisances 与 abductor 参数的 sampling / estimation uncertainty；
4. 未被数据识别的 cross-world coupling uncertainty。

\(G_i\) 默认只表达第一类经 \(\Delta\) 映射后的结果；它不会自动包含另外三类。

---

## 6. Cauchy Unit 的特殊边界

Learning DiscoSCM 当前使用非退化 Cauchy beliefs / response components；它们通常没有 finite mean
或 variance。因此不能无条件把

\[
\int\Delta(u)Q_i(du)
\]

叫作 CATE。

第一版算法必须明确选择下列一种 contract：

1. 在本篇 HTE prototype 中使用 finite-moment belief family；
2. 保留 Cauchy \(Q_i\)，但令 effect head \(\Delta(u)\) bounded / integrable；
3. 改为学习 location / median-effect law，而不是 mean-effect CATE。

一个与现有 Cauchy Unit 很相容的方案，是用 bounded Fourier basis。若独立坐标

\[
U_r\sim\operatorname{Cauchy}(m_r,\gamma_r),
\]

则

\[
\mathbb E[e^{i\omega^\top U}]
=
\exp\!\left(
i\omega^\top m
-
\sum_r\gamma_r|\omega_r|
\right).
\]

所以 \(z_i=\int b(u)Q_i(du)\) 对 sine / cosine basis 有解析表达且始终存在。它既使用 location，也
使用 scale，而不是假装 Cauchy posterior mean 存在。

---

## 7. 识别条件：这不是“换个 kernel”就自动获得的 theorem

最小条件至少包括：

### A. Observed causal identification

- consistency / SUTVA；
- treatment exchangeability given admissible \(X\)；
- treatment positivity；
- cross-fitted nuisance consistency 或相应 double-robust condition。

### B. Abductor semantics

- \(S_i\) 对当前 ex-ante problem 只能包含 pretreatment evidence；
- \(Q_i\ll P_U^{\mathrm{tar}}\)，且 reference population 先于 abduction 声明；
- belief calibration 需由外部 truth、multi-view evidence、mechanism restrictions 或专门协议支持；
- predictive fit 不自动识别真实 posterior 或 token causation；
- alternative action 不得送回 abductor，避免 query-dependent token re-recognition。

### C. Latent effect identification

- token-sufficiency / mixture restriction 必须成立；
- operator \(\mathcal T:\Delta\mapsto\int\Delta\,dQ_S\) 在目标 function class 上是 injective；
- focal \(Q_i\) 的 candidate support 必须落在训练 beliefs 有效覆盖的区域；
- 若要从 mean effect law 升级到 realized individual effect distribution，必须另行声明 event-noise
  coupling 与 joint potential-outcome assumptions。

### D. Honest estimation

- Unit Abductor 应在 outer folds 或独立数据上训练与冻结；
- \(Q_j\)、nuisances 与 effect learner 必须避免同样本 outcome leakage；
- AIPW 对 propensity / outcome nuisances 的一阶误差可正交，但对 learned \(Q\) 的 calibration error
  不自动正交。

Forest honesty、GRF asymptotic normality 与 R-learner quasi-oracle guarantees 都不会因为输入换成
learned \(Q_i\) 而自动继承。

---

## 8. 什么已有，什么可能新？

### 已有的邻近能力

- Causal Forest / GRF：adaptive observed-unit neighborhoods 与 local moment estimation；
- R-learner：orthogonalized HTE objective；
- CFR / Dragonnet / balancing representations：为 treatment effect 学 latent geometry；
- Bayesian Causal Forest：effect-function posterior 与 Bayesian HTE uncertainty；
- latent subgroup / Bayesian mixture HTE：soft membership、posterior similarity 与 subgroup effects；
- CEVAE / Deep SCM：per-instance latent inference / abduction；
- distributional forests：用 forest weights 表示 conditional distribution。

因此不能声称：first epistemic HTE uncertainty、first soft subgroup、first probabilistic neighborhood、
first latent-variable HTE 或 first abductive personalization。

### 当前真正值得检验的组合

> 把一个 fixed actual token 的 stable unit-type uncertainty 显式表示为 query-invariant
> abductive belief \(Q_i\)；在声明过的 target population 下将它作为 same-token localization
> operator；再把完整 belief 而非 point embedding 接入 orthogonal causal signal，学习并输出
> focal effect law。

这是一项 **candidate novelty**，不是已经成立的 priority claim。完整文献检索、理论定理与实验
结果出来之前，最准确的状态仍是 `proposal_only`。

---

## 9. 最小算法协议

### Unit-Abducted Effect Learner · V0

1. **Declare target and evidence**  
   固定 \(P_U^{\mathrm{tar}}\)、estimand、pretreatment evidence set \(S\) 与 outcome functional。
2. **Abduct honestly**  
   用 outer folds / external data 训练 Unit Abductor，得到 out-of-fold \(\widehat Q_j\)。
3. **Orthogonalize causal signal**  
   Cross-fit \(\widehat e,\widehat\mu_0,\widehat\mu_1\)，计算 \(\widehat\Gamma_j\)。
4. **Fit two matched learners**  
   运行 belief-neighborhood baseline 与 operator-inversion learner；不要只报新方法。
5. **Abduct once, query many**  
   对 focal token 固定 \(\widehat Q_i\)，输出 \(\widehat{\bar\Delta}_i\) 与
   \(\widehat G_i\)，不按 action 重新识别 token。
6. **Report three overlap diagnostics**  
   treatment overlap、belief-support coverage、operator condition number 分开报告。
7. **Propagate uncertainty honestly**  
   分开标注 focal belief、effect-parameter、sampling 与 event-noise uncertainty。

---

## 10. 实验不是“跑个 IHDP”就够了

### E1. Oracle latent-type simulation

生成已知 \(U=u_i\)、已知 \(Q_i\) 与已知 \(\Delta(u)\) 的 data，检验 operator inversion、
regularization bias 与 effect-law recovery。

### E2. Calibrated vs miscalibrated abductor

控制 \(Q_i\) calibration error，检验 AIPW orthogonality为何不能保护 abductor error。

### E3. Multimodal weak-evidence regime

让不同 latent types 在 observed \(X\) 上接近、effects 却相反。比较 full \(Q_i\)、posterior mean
embedding、hard cluster、Causal Forest 与 standard R-/DR-learner。

### E4. Weak operator identification

逐步让所有 \(Q_i\) 变得相似，记录 \(\lambda_{\min}(R^\top R/n)\)、condition number、effect error
与 interval coverage。

### E5. Leakage falsification

故意把 post-treatment \(Y\) 或 query action 放进 abductor，展示虚假 performance gain 与
identity drift。

### E6. Cauchy / heavy-tail specialization

比较错误的 mean-based implementation 与 bounded Fourier / location-law implementation，确认算法
不会偷偷依赖不存在的 moments。

### 失败判据

若 full belief \(Q_i\) 在 matched estimand 下不优于 posterior point embedding、posterior-similarity
baseline 或 ordinary Causal Forest；若提升只来自 outcome leakage；或 effect law 无法通过 calibration
与 hidden-type recovery test，那么 Unit-Abducted heterogeneity 的新增价值就没有被支持。

---

## 11. 最安全、也最有力量的论文表述

> Causal Forest 在 observed-row measure 上做 causal localization；Unit-Abducted Effect Learner
> 则把 orthogonal causal signal 投影到 focal latent-belief measures 上，并通过一个受识别条件约束的
> mixture operator 学习 type-level response heterogeneity。它的潜在贡献不是首次提出 latent
> subgroup 或 Bayesian HTE，而是把 query-invariant focal-token belief、same-token reuse 与完整
> effect-law propagation 形式化为同一个 estimator interface。

对应的核心研究问题是：

> 在 matched estimand、honest cross-fitting 与 calibrated abduction 下，完整 belief measure
> 是否比 forest neighborhood、hard subgroup 或 posterior point embedding 更能恢复弱证据、
> multimodal latent types 下的 treatment-effect heterogeneity？

---

## 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). *JASA*.
2. Athey, S., Tibshirani, J. & Wager, S. (2019). [Generalized Random Forests](https://doi.org/10.1214/18-AOS1709). *Annals of Statistics*.
3. Nie, X. & Wager, S. (2021). [Quasi-Oracle Estimation of Heterogeneous Treatment Effects](https://doi.org/10.1093/biomet/asaa076). *Biometrika*.
4. Shalit, U., Johansson, F. & Sontag, D. (2017). [Estimating Individual Treatment Effect: Generalization Bounds and Algorithms](https://proceedings.mlr.press/v70/shalit17a.html). *ICML*.
5. Assaad, S. et al. (2021). [Counterfactual Representation Learning with Balancing Weights](https://proceedings.mlr.press/v130/assaad21a.html). *AISTATS*.
6. Hahn, P. R., Murray, J. & Carvalho, C. (2020). [Bayesian Regression Tree Models for Causal Inference](https://doi.org/10.1214/19-BA1195). *Bayesian Analysis*.
7. Kim, H. J. et al. (2019). [Estimating Heterogeneous Treatment Effects for Latent Subgroups in Observational Studies](https://doi.org/10.1002/sim.7970). *Statistics in Medicine*.
8. Yin, Y., Liu, L. & Geng, Z. (2018). [Assessing the Treatment Effect Heterogeneity with a Latent Variable](https://doi.org/10.5705/ss.202016.0150). *Statistica Sinica*.
9. HCGM. [Causal Forest 与 Unit Abduction：同一种加权语法，不同的因果主语](CAUSAL_FOREST_UNIT_ABDUCTION_BRIDGE.md).
10. HCGM. [Unit Selection Variable notation contract](DISCOSCM_UNIT_SELECTION_NOTATION.md).

## Claim boundary

本文没有提出或证明一个已完成的新 estimator theorem，也没有实验结果。`Unit-Abducted Effect
Learner` 是 working name；其 statistical rate、inference、robustness to learned-\(Q\) error、latent
reparameterization invariance 与 empirical advantage 都仍是开放问题。