Heterogeneous treatment effects · localization · epistemic uncertainty
当 focal unit 不能被一个 point representation 充分描述时，能否用它对 latent response types 的完整 belief，重新定义哪些 observed samples 应当为它提供因果证据？
Causal Forest 在 observed covariate geometry 中学习自适应邻域。DiscoCATE 先从 pretreatment evidence 得到 Unit-Abducted belief \(Q_i\)，再把 belief proximity 拉回 observed donor rows，最后局部平均 cross-fitted causal scores。
One-minute thesis
每个 nonparametric CATE estimator 都必须回答：哪些 observed units 可以为 focal query 提供信息，以及各自应有多大权重。DiscoCATE 的新对象不是另一个 outcome model，而是一张 probability-measure geometry。
一句话主张：HTE localization 不一定只能建立在 observed covariate geometry 上， 也可以建立在由 unit beliefs 诱导的 response-relevant geometry 上。
但 \(Q_X\) 仍是 \(X\) 的函数。它不会创造新的 individual-level information；可能的收益只能来自 mechanism-informed inductive bias、对 multimodal uncertainty 的保留，以及更合适的有限样本 borrowing。
Same computational grammar · different sample spaces
森林通过 learned partitions 与 co-leaf relations，决定哪些 observed training rows 应为 \(x_i\) 提供局部因果证据。
先比较关于 fixed focal tokens 的 complete beliefs，再把这种 proximity 转换为 observed donor-row weights。
\(Q_i\) 在 latent candidate-type space 上表达对同一个固定 token 的 epistemic uncertainty； \(\alpha_{ij}\) 在 observed sample space 上决定 donor row \(j\) 的贡献。DiscoCATE 从前者诱导后者， 并不是直接用 \(Q_i\) 替换 forest weights。
Two similarity constructions
论文保留了两条 pretreatment-only 路线，但当前只把 belief distance 作为主算法；同时明确划出 outcome-conditioned likelihood 的边界。
直接比较两个完整 probability measures。Hellinger 或 Jensen–Shannon 可以作为 bounded 主方案； symmetrized KL 是有价值的 sensitivity analysis，但 support mismatch 时可能发散。
它问：“如果 focal belief 中的 candidate types 是合理的，donor \(j\) 的 pretreatment evidence 是否 compatible？”这是方向性的 similarity，需要自己的 normalization、support 与 stability analysis。
如果 realized \(Y_j\) 或 \(T_j\) 决定 donor weight，而同一 row 又贡献 causal score，就发生 outcome-dependent selection。Cross-fitting likelihood model 并不会自动恢复原 CATE estimand。 这种分数可以对应 ex-post matching problem，但不属于当前 DiscoCATE-DR。
DiscoCATE-DR
新 geometry 不被要求兼任 propensity score，也不能自动修复 hidden confounding。
用 external data 或 outer folds 训练 \(\widehat{\mathcal Q}\)。
只从 \(X_i\) 生成冻结的 \(\widehat Q_i\)。
用完整 \(X\) 学习 propensity 与 outcome regressions。
为每个 donor 得到 AIPW pseudo-outcome \(\widehat\Gamma_j\)。
由 belief similarity 构造 normalized \(\widehat\alpha_{ij}\)。
加权平均 donor scores，并报告 neighborhood diagnostics。
Identification ladder
这篇论文最重要的理论贡献，是把 localized target、focal CATE 与 latent truth 分成三个问题。
在 consistency、conditional exchangeability、positivity 与 integrability 下，\(\tau(x)\) 由 observed law 识别。Unit Abduction 不替代这些假设。
对冻结且 pretreatment-measurable 的 \((\mathcal Q,d,K_h)\)，首先识别的是：
它是 soft-population effect；识别它不要求先识别真实 \(u_i\) 或真实 posterior。
在 localization regularity 下，\(\theta_{h,\mathcal Q}(q)\to\mathbb E[\tau(X)\mid Q_X=q]\)。这仍可能在 belief fiber 内平均不同的 \(X\)-values。
只有在 \(\tau(X)=g(Q_X)\)，或满足 fiber equality / local injectivity 时，shrinking limit 才升级为 focal \(\tau(x_i)\)。
以上结果并不识别真实 \(u_i\)、唯一的 \(P(U\mid X=x)\)、latent coordinates、type-specific effect surface 或 cross-world individual-effect distribution。
最短结论：fixed-\(Q\) localized target 可以是 observed-law identifiable；它是否等于 focal CATE 是第二个、更强的问题；latent decomposition 是否真实则是第三个独立问题。
Claim boundary
当前版本已经给出算法、fixed-map identification 和 falsification protocol；下一步决定价值的， 是在 matched conditions 下检验 complete belief 是否稳定改善 causal localization。
Chinese question-led guide
导读不是逐句翻译，而是用八个问题固定论文的直觉、公式、识别阶梯与证据边界。
适合第一次阅读、作者审阅与逐节反馈。与当前 manuscript v0 同步，不增加论文没有支持的 claim。
读“同一骨架、两个空间”→ 两条 similarity → identification ladder → claim boundary。
读 Abstract、Introduction、Setup、DiscoCATE-DR、Identification 4.1–4.3 与 Discussion。
检查 fixed-\(\mathcal Q\) theorem、conditional double robustness、belief-fiber limit 与尚未完成的 learned-\(Q\) stability。
直接读 Evaluation Design：oracle-\(Q\)、multimodal weak evidence、matched baselines 与 leakage falsification。
Paper package
建议反馈格式：页面 / section → 你理解到的 claim → 不清楚或不同意之处 → 希望补充的证明或实验。
发送结构化反馈