OWNER DRAFT · R/S ALIGNMENT OPEN
忠实投影 Gong owner worksheet；仍从属于 hello_agent.md 与所选 R/S contract。
Applies to: R value-token law 与 feasible-value MAP；S eligible-support empirical distribution。应预测点、类别概率、条件分布、缺失值还是联合分布？预测对象怎样回到每个 Feature 的合法 raw-value domain？
TabUF 的回答（Gong）：
就是要么是直接的 value response law, 要么是构建 value cell-subpopulation.
- value response law 有关的参数可以 biasMF（bias 被 unit/feature token 线性生成, 类似 \(\mu+u_i^Tw^u + f_j^T w^f + u_i^T f_j\), bias 被 user/item embedding 线性生成的 biasMF recSys） 来学习 \(\mu+u_i^Tw^u + f_j^T w^f + u_i^T f_j\), where \(w^u, w^f\) 可是全局学习的参数，也可以是 context-dependent and generative by special tokens，需要后续决策; 2) subpopulation 有关参数，每个 unit token 投影到某个 feature-conditoned vector subspace, 然后欧式距离直接定义相似性, 从而衍生子总体， 同样也可以考虑全局参数或者 special tokens 方式获得投影矩阵。