Belief-neighborhood
由 \(d(Q_i,Q_j)\) 产生 observed-row weights，再平滑 cross-fitted AIPW score。
Research question · forest neighborhood → focal belief measure
如果由 Unit Abductor
定义 Subpopulation？
从 Causal Forest 的 adaptive neighborhood，到 Unit-Abducted Heterogeneity
可以构造一个异质性因果算法，但真正的动作不是“把 forest weights 换掉”。 我们需要先把 \(Q_i\) 从 latent candidate-type space 合法地连接到 causal score， 再决定输出的是 belief-localized CATE，还是一个保留 focal epistemic uncertainty 的 effect law。
00
One-minute verdict
答案是“可以”，但有两种完全不同的可以
先分清算法是在 belief space 找邻居，还是在 belief measures 上反演 latent effect。
Unit-effect inversion
用 \(\mathbb E[\Gamma\mid S]=\int\Delta(u)Q_S(du)\) 反演 type-level effect law。
The type mismatch
第一步不是替换，而是修复 sample-space mismatch
\(Q_i\) 与 \(\alpha_j(x)\) 都是 weights，但它们对不同对象赋权，因此不能直接互换。
\(\alpha_j(x)\) lives on rows
atoms 是不同 observed training units；forest 根据 co-leaf frequency 构造 empirical neighborhood。
\(Q_i(du)\) lives on latent types
atoms 是对同一个 actual token 的 candidate explanations；actual selection 已固定为 \(U=u_i\)。
真正的问题是：能否把 orthogonal causal signal 投影到 focal latent-belief measures 上， 学习 type-level response heterogeneity，并把尚未消除的 unit uncertainty 传播到 effect？
Orthogonalization comes first
Unit Abductor 不负责自动消除 confounding
对 binary treatment，先在完整 admissible \(X\) 上 cross-fit propensity 与 outcome nuisances， 再构造 AIPW pseudo-outcome：
\[
\widehat\Gamma_j
=\widehat\mu_1^{(-k)}(X_j)-\widehat\mu_0^{(-k)}(X_j)
+\frac{A_j\{Y_j-\widehat\mu_1^{(-k)}(X_j)\}}{\widehat e^{(-k)}(X_j)}
-\frac{(1-A_j)\{Y_j-\widehat\mu_0^{(-k)}(X_j)\}}{1-\widehat e^{(-k)}(X_j)}.
\]
在 consistency、exchangeability given \(X\)、overlap 与 nuisance conditions 下， \(\mathbb E[\widehat\Gamma\mid X=x]\approx\tau(x)\)。之后才轮到 \(Q_i\) 决定如何 localize 或 decompose 这条 causal signal。
Evidence contract
与 Causal Forest 比较 ex-ante HTE 时，abductor 只能读 pretreatment evidence \(S_i\subseteq X_i\)。 若把 factual \(Y_i\) 或待比较 action 送回 abductor，问题已经变成 ex-post posterior counterfactual，并会引入 outcome leakage 或 query-dependent token re-recognition。
Prototype A · strongest baseline
Belief-neighborhood DR learner
先用两张 beliefs 的共享 candidate support 产生 observed-row weights，再平滑 causal score。 例如在 \(Q_i,Q_j\ll P_U^{\mathrm{tar}}\) 时使用 Hellinger affinity：
\[
\rho(Q_i,Q_j)=
\int\sqrt{
\frac{dQ_i}{dP_U^{\mathrm{tar}}}(u)
\frac{dQ_j}{dP_U^{\mathrm{tar}}}(u)}
\,P_U^{\mathrm{tar}}(du).
\]
\[
\omega_{ij}^{Q}
=\frac{K_h\{1-\rho(Q_i,Q_j)\}}
{\sum_{\ell\notin I_{k(i)}}K_h\{1-\rho(Q_i,Q_\ell)\}},
\qquad
\widehat\tau_{\mathrm{BN}}(Q_i)
=\sum_{j\notin I_{k(i)}}\omega_{ij}^{Q}\widehat\Gamma_j.
\]
01Pretreatment evidence \(S_i\)
02Out-of-fold belief \(Q_i\)
03Belief similarity \(\omega_{ij}^{Q}\)
04Localized DR effect
它回答什么？
有限 bandwidth 下，它回答“belief geometry 与 \(Q_i\) 相近的 observed units，平均 treatment effect 是多少？”——仍是 local average，不是眼前 token 的已识别 personal effect。
这条算法可以马上实现，却也最接近 causal forest on a learned distributional representation。 Learned representation、balancing weights、latent subgroups 与 posterior-similarity neighborhoods 都已有先例，所以它应成为 baseline，而不是单独承担 novelty。
Prototype B · research core
Unit-effect operator inversion
更 HCGM-native 的做法，是保留完整 \(Q_i\)，把 observed causal signal 写成 type-level effect 的 mixture，再反演 latent response heterogeneity。
\[
\Delta_0(u)=\mathbb E[Y(1)-Y(0)\mid U=u],
\qquad
\mathbb E[Y(1)-Y(0)\mid S,U=u]=\Delta_0(u).
\]
\[
\mathbb E[\Gamma\mid S]
=\int_{\mathcal U}\Delta_0(u)Q_S(du)
=(\mathcal T\Delta_0)(S).
\]
于是学习问题变成 regularized inverse problem：
\[
\widehat\Delta
=\arg\min_{\Delta\in\mathcal H}
\sum_j\left[
\widehat\Gamma_j-\int\Delta(u)\widehat Q_j(du)
\right]^2
+\lambda\|\Delta\|_{\mathcal H}^2.
\]
离散 \(K\)-type 最小版本
若 \(Q_j=(q_{j1},\ldots,q_{jK})\)，令 \(R_{jk}=q_{jk}\)，则 \(\mathbb E[\Gamma_j\mid S_j]=q_j^\top\boldsymbol\Delta\)，并有：
\[
\widehat{\boldsymbol\Delta}
=(R^\top R+\lambda I)^{-1}R^\top\widehat{\boldsymbol\Gamma}.
\]
这使新的 weak-identification condition 直接可见：若 \(\lambda_{\min}\{\mathbb E(qq^\top)\}\) 接近零，所有 beliefs 都太相似，type effects 就无法被稳定分开。
AssignmentTreatment overlap
RepresentationBelief-support coverage
Inverse problemOperator condition number
主命题
Causal Forest 在 observed-row measure 上 localize；这个 learner 则把 orthogonal causal signal 投影到 focal belief measures 上，再学习 latent type effects。
What heterogeneity is returned?
不只给一个数字：让 \(Q_i\) 诱导 focal effect law
同一 token 只 abduct 一次；改变 action/query 时固定 factual \(Q_i\)，不重新认识“这个人是谁”。
\(\widehat{\bar\Delta}_i\)
在 integrability 成立时，\(\int\widehat\Delta(u)\widehat Q_i(du)\) 是 learner 对 latent mean effect 的 posterior average。
\(\widehat G_i=(\widehat\Delta)_\#\widehat Q_i\)
保留这个 token 仍可能属于哪些 effect types、各有多大 epistemic weight，并允许报告 quantiles、benefit probability 与 multimodality。
Sampling & event noise
\(G_i\) 默认只传播 unit-type belief；parameter uncertainty、sampling uncertainty 与 cross-world event coupling 必须另算。
\(Q_i\) 不是新 population
它是关于一个 fixed token 的 candidate belief；target population 必须预先声明。
不是 literal individual effect
\(G_i\) 是 latent mean-effect belief law，不是已识别的 \(Y_i(1)-Y_i(0)\) distribution。
不是全套 uncertainty
Unit uncertainty、event noise、parameter uncertainty 与 sampling uncertainty要分别报告。
HCGM-specific boundary
Cauchy belief 下，不能偷写一个不存在的 mean
Learning DiscoSCM 当前的非退化 Cauchy beliefs / response components 通常没有 finite mean 或 variance。因此 \(\int\Delta(u)Q_i(du)\) 不能无条件称为 CATE。
第一版必须选择：finite-moment family、bounded/integrable effect head，或 location / median-effect law。对 Cauchy \(Q_i\)，bounded sine/cosine basis 的期望可由 characteristic function 解析计算， 能同时使用 location 与 scale，也不会假装 posterior mean 存在。
\[
U_r\sim\operatorname{Cauchy}(m_r,\gamma_r)
\quad\Longrightarrow\quad
\mathbb E[e^{i\omega^\top U}]
=\exp\!\left(i\omega^\top m-\sum_r\gamma_r|\omega_r|\right).
\]
Identification before branding
四层条件，少一层都不能叫已识别算法
| Layer | 必须成立 | 它不自动给予什么 |
|---|---|---|
| Observed causality | consistency、exchangeability given \(X\)、positivity、合法 nuisances | 不识别 fixed-token cross-world coupling |
| Abductor semantics | pretreatment evidence、declared \(P_U^{\mathrm{tar}}\)、calibrated \(Q_i\)、same-token reuse | predictive fit 不自动识别真实 posterior 或 token causation |
| Latent effect | token sufficiency、injective mixture operator、belief support coverage | 不自动从 CATE 升级到 realized personal effect |
| Honest estimation | outer-fold abductor、cross-fitted scores、无 outcome leakage | 不自动继承 forest honesty、GRF normality 或 R-learner quasi-oracle |
尤其重要：AIPW 对 learned \(Q\) 不自动正交
Cross-fitting 可以阻止同样本过拟合，却不能消除 \(Q_i\) calibration error 的一阶影响。 第一版 theorem 最适合先把 Unit Abductor 视为 pretrained / frozen / oracle-calibrated， 再单独研究 learned-abductor inference。
Novelty audit
什么已有，什么才是 candidate novelty？
这里最容易犯的错误，是把一个新组合说成每个零件都从未出现。
| Research object | 已有先例 | 本提案可能增加的部分 |
|---|---|---|
| Adaptive HTE neighborhood | Causal Forest / GRF | belief-valued rather than co-leaf localization |
| Orthogonal HTE learning | R-learner / DR-learner family | 把 score 接入 \(Q\)-operator，而非发明 score |
| Latent geometry | CFR、Dragonnet、balanced representations | 保留完整 \(Q_i\)，不 collapse 成 point embedding |
| Bayesian HTE uncertainty | BCF 与 Bayesian mixtures | 对 stable focal unit type 的 query-invariant belief |
| Soft latent subgroups | latent subgroup HTE、posterior co-clustering | same-token reuse 与 effect-law pushforward 的联合接口 |
当前最稳的新意不是 first soft subgroup，也不是 first epistemic HTE uncertainty；而是把 query-invariant focal-token belief、same-token reuse、orthogonal causal signal 与完整 effect-law propagation 形式化为同一个 estimator interface。
A proposal must be able to fail
六个实验，专门检验 full belief 是否真的增加价值
不能只跑一个 IHDP 分数；要直接攻击 calibration、multimodality、weak identification 与 leakage。
Oracle latent types
已知 \(U=u_i\)、\(Q_i\) 与 \(\Delta(u)\)，检验 operator inversion 与 effect-law recovery。
Abductor calibration
控制 \(Q_i\) error，验证 causal-score orthogonality不能保护 belief miscalibration。
Multimodal weak evidence
比较 full belief、posterior mean、hard cluster、Causal Forest 与 standard DR learner。
Weak operator
让 beliefs 越来越相似，跟踪 condition number、type-effect error 与 coverage。
Leakage falsification
故意加入 post-treatment outcome / query action，展示虚假 gain 与 identity drift。
Cauchy stress test
对比错误 mean implementation 与 bounded Fourier / location-law learner。
Primary sources
邻近文献与本地语义合同
- Wager & Athey (2018), Estimation and Inference of Heterogeneous Treatment Effects Using Random Forests.
- Athey, Tibshirani & Wager (2019), Generalized Random Forests.
- Nie & Wager (2021), Quasi-Oracle Estimation of Heterogeneous Treatment Effects.
- Shalit, Johansson & Sontag (2017), Estimating Individual Treatment Effect: Generalization Bounds and Algorithms.
- Assaad et al. (2021), Counterfactual Representation Learning with Balancing Weights.
- Hahn, Murray & Carvalho (2020), Bayesian Regression Tree Models for Causal Inference.
- Kim et al. (2019), Estimating Heterogeneous Treatment Effects for Latent Subgroups.
- Yin, Liu & Geng (2018), Assessing the Treatment Effect Heterogeneity with a Latent Variable.
- HCGM, Causal Forest × Unit Abduction technical bridge.
- HCGM, 本文 canonical 中文源文.
这篇文章最后留下的研究问题