U = u 到底是什么意思？· USL-01

01 · type system

先分清 Population、individual、evidence 与 learner

当前 foundational choice 只有一个 task-declared unit primitive：$u\in\mathcal U$ 表示 persistent referent，并以语义方式索引 $f(x;u)$ / $P_\theta(dy\mid x;u)$；$\mathcal U$ 不必是数值空间。关键不在给任意对象改名，而在同时声明 Population-level selector、fixed realized individual、world conditional、learner belief 与 fixed-unit response。

对象	记号 / 类型	职责	它不是什么
Population selector	$U:\Omega\to\mathcal U,\ U\sim\Pi$	随机回答“从 Population 中选中哪一个 individual”	$\Pi$ 不直接规定 dataset sampling
Fixed individual	$u\in\mathcal U,\ \{U=u\}$	固定/表示 definite persistent referent，以语义方式索引 $P_\theta(dy\mid x;u)$	不是一条已完成的数值向量，也不是 trainable $u_\theta(k)$
Evidence	$\mathcal O$	回答前可用的 admissible observed event / information	不是任意输入数组或候选 query
World conditional	$P(U\in du\mid\mathcal O)$	给定 Population information 时，已由 $U$ 实现的 individual 的总体条件分布	不是 learner 自己的输出
Learner belief	$Q_\phi(du\mid\mathcal O)$	learner 对 world conditional 的 epistemic belief，以其为目标或规范对象	不是 fixed-u response noise
Learner response model	$P_\theta(dy\mid x^q;u)$	对 fixed-individual population response law 的近似	不是 which-unit uncertainty，也不自动等于 world law

Observed-attribution special regime：只有数据已经可靠揭示 row 属于哪个 individual 时，才可以写 $\mathcal D_U^{\rm obs}=\{(x_i,y_i;u_i)\}_{i=1}^N$。此时 $u_i=u_j$ 表示两条 samples 归属于同一个 individual；这不是一般学习问题预先给定的输入。

$$i\neq j,\qquad u_i=u_j\quad\Longrightarrow\quad\text{two sample copies are attributed to the same individual}$$

一般情形先有 Population selector $U$。给定 population event $\mathcal O$，world side 直接形成 $P(U\in du\mid\mathcal O)$，learner 再以 $Q_\phi(du\mid\mathcal O)$ 近似；不是 evidence 执行 selection。sample index 只定位 realized value，不能充当 unit index。

$$\mathcal O=\{X=x_i\}\ \text{or}\ \{X^{\mathrm{hist}}=x_i,Y^{\mathrm{hist}}=y_i\},\qquad Q_\phi(du\mid\mathcal O)\approx P(U\in du\mid\mathcal O)$$

Random-variable typing：$X$ 是 Population-level generic variable，$X_U$ 是先随机选择 $U$ 后得到的 selected-unit variable，$X_u$ 是把 unit 固定为 $u$ 后的 variable；$X_{u_i}$ 是由 sample $i$ 的 attributed unit 索引的 fixed-individual stochastic object，而 $x_i$ 只是与 $X_{u_i}$ 相联系的 event-level realized value。本文不把 $X_i$ 定义为 $X_{u_i}$，event index 与 unit-indexed stochastic object 不是同一对象（A sample is an event; a unit is not a row index.）；这一边界也不决定 repeated observations 的 IID 或 joint law。$\mathcal O$ 是 event / admissible information；designed candidate $x^q$ 不会因为被提出就成为 evidence，而 answer 前已观察且 admissible 的 factual $X=x$ 必须进入 $\mathcal O$。

Conditioning precision：正概率 event 使用 ordinary conditional；连续 observed value 使用 regular conditional kernel 的一个 version，而不是对零概率 singleton 做比值。$\mathcal O$ 中若含 $Y^{\mathrm{hist}}=y_i$，它只能是已观察的历史 response 或 explanation task 中已发生的 factual outcome，不是当前 prediction target $Y^q$。Foundation 不再引入 indexed selector copies；repeated observations 的 joint assignment / sampling law 必须另行声明。

需要抽样时怎样写：使用 evidence-explicit 的 $\widetilde U_\phi\mid\mathcal O\sim Q_\phi(\cdot\mid\mathcal O)$。它是 learner-side 抽到的 candidate unit，不是 belief measure 本身、world-side 已实现的 individual、sample attribution，也不是 direct-ID 模型在固定地址学习的 $u_\theta(k)$。旧式 $U_i^{\rm abd}$ 至多是这个 draw 的 deprecated shorthand；因为 $i$ 不说明 $\mathcal O$ 是 $X=x_i$、$(X,Y)=(x_i,y_i)$、history 还是 ID event，本页不把 $U_i$ 作为基础记号。

02 · two sources of randomness

先问是哪一个 individual，再问这个 individual 会发生什么

SOURCE A

Which-unit uncertainty

回答“Population 中是哪一个 individual？”

$U\sim\Pi$
evidence 诱导 $P(U\in du\mid\mathcal O)$
learner 用 $Q_\phi$ 逼近

SOURCE B

Fixed-individual event noise

回答“已经固定这个 individual，response 还会怎样随机？”

$U=u$ 固定主体
world kernel 保留 exogenous variation；$P_\theta(dy\mid x^q;u)$ 是 learner approximation
换 query 不等于换 individual

$$U\sim\Pi,\qquad Q_\phi(du\mid\mathcal O)\approx P(U\in du\mid\mathcal O),\qquad P_{\theta,\phi}(dy\mid x^q,\mathcal O)=\int_{\mathcal U}P_\theta(dy\mid x^q;u)Q_\phi(du\mid\mathcal O)$$

严格边界：epistemic uncertainty 位于 learner 对 selected individual 的 belief；event / exogenous noise 位于 fixed-$u$ response law。把两者压成一个 latent posterior 会失去论文要澄清的类型结构。

POPULATION → INDIVIDUAL

$U\sim\Pi$selection：Population 中是哪一个？

$U=u$response：fixed referent 语义索引 response law

sample attribution、ID resolver 与 learned response content $u_\theta(k)$ 都必须接在这条主链的明确位置，而不能替代 selector 或 persistent referent。

03 · key, address, content

已知 unit，为什么 response content 仍然需要学习？

trusted ID kresolver 的输入

$k\mapsto u(k)$persistent referent + 稳定 response/update address

$u_\theta(k)$该地址上学习的 response content

Direct-ID implementation 需要分清四个角色：$k$ 是 trusted ID，也是 resolver 的输入；$u(k)$ 是由 $k$ 确定的 persistent referent 与稳定 response/update address；$u_\theta(k)$ 是在该地址由 response objective 学习的 embedding、preference factor、random effect 或其他 numerical parameter block；history-dependent response state 会随时间改变、但不改变 $u(k)$。这里不引入 foundational 两对象 ontology；$u_\theta(k)$ 只是固定 unit response law 的一种 task-specific parameterization，属于 $\theta$。多个 records 因为 resolver 指向同一地址，才共同更新这一内容。

$u_\theta(k)$ 可以与下游 response map 联合旋转、置换或重参数化而不改变预测，所以其坐标通常不唯一；学习它不等于恢复了 person 本身。Token 场景同样如此：token occurrence 提供 realized evidence；token ID 可以揭示 known token-type referent 并确定稳定 parameter address；embedding row 是该地址上的 learned response content。只有 declared attribution protocol 才能说多个 occurrences 属于同一 individual/unit；embedding vector equality 本身不定义这种 identity。

$$K=k,\qquad P(Z_k\in dz\mid\text{ratings},K=k)$$

PMF 的典型结构中 referent 已知，右式是该 known referent 的 preference-property posterior law。它属于 response/property layer，不是 $P(U\in du\mid\mathcal O)$ 所回答的 which-individual 问题。推荐日志若可靠记录 account identity，equalities 如 $u_1=u_3=u_A$ 由 known attribution 保证，表达的是 referential equality，不是 learned embedding 的坐标相等。

Dirac boundary：可靠 ID 只有在 protocol 明确说它揭示 selected individual 时，才使 which-individual conditional 退化为 $\delta_{u(k)}$。这个 Dirac 在 persistent referent 上，绝不在 trainable $u_\theta(k)$ 上；embedding 或 random-effect 的估计误差仍属于 response model。

完整类比在推荐系统：user 是 unit，interaction 是 sample，user_id 是 resolver key，item / slate 是 treatment，feedback / retention 是 outcome。

04 · where the analogy breaks

Known referent、稳定地址、learned content 与 learner belief 必须先区分角色

CLOSED → OPEN WORLD

referent 未必由 registry 揭示

known account 可以有可信 address；匿名 session、新患者或新设备需要由 evidence 约束 which-unit selection。

WORLD ≠ LEARNER

$P$ 与 $Q_\phi$ 不能互换

$P(U\in du\mid\mathcal O)$ 是 world-side conditional；$Q_\phi$ 是 learner-specific epistemic belief。

ADDRESS ≠ CONTENT

$u(k)$ 与 $u_\theta(k)$ 是两层

resolver key 固定 persistent referent 与稳定 update address；该地址上的 embedding / factor 由 response objective 学习，坐标可重参数化。

UNIT ≠ EPISODE STATE

持续对象可以变化

同一个 unit 的 context、event noise 与 candidate-conditioned state 都可以随 episode 改变。

PROPERTY ≠ IDENTITY

参数相同不等于同一个人

不同 individuals 可以在当前模型中具有相同 latent property 或 response law。

FIXED U ≠ DETERMINISTIC Y

固定主体仍可随机响应

选择 uncertainty 消失后，event / exogenous noise 仍由 fixed-individual response law 表达。

安全表述：trusted ID → known referent + stable address 与 address → learned content → response 是两条相邻但不同的链。只有显式 identification protocol 才能让 known ID collapse world-side which-unit conditional，且 collapse 发生在 referent 上；embedding lookup 或 property posterior 本身做不到。

理论折叠：evidence reuse、trusted-ID protocol 与两类坐标不唯一性

05 · persistence and query reuse

固定 factual evidence 与一份 learner belief，多个 response queries 复用它

$$Q_\phi(du\mid\mathcal O^F)\ \text{formed once},\qquad (x^Q,c^Q)\ \text{varies}\quad\Longrightarrow\quad\left\{\int_{\mathcal U}P_\theta(\,\cdot\mid x^Q,c^Q,u)Q_\phi(du\mid\mathcal O^F)\right\}$$

query 可以改变，模型也可以做 candidate-conditioned computation；禁止的是 candidate 重新定义 world-side unit、重算 answer-time belief，或把回答之后才出现的 outcome 倒灌进 evidence。新 evidence 改变的是 conditional information 与 learner belief，不会改写已经发生的 world-side selection。

记号边界：$\mathcal O^F$ 是 answer-time 可用的 admissible factual information；若 protocol 已可靠观察 ID / attribution，它可以包含该信息，但不因此改写成 unknown-$u$-indexed evidence。fixed-$u$ 后直接改变 response 的已知信息显式声明为 $c^Q$；整包 $\mathcal O^F$ 不回灌 response kernel。

06 · trusted-ID boundary

只有 identification protocol 才能 collapse which-unit uncertainty

Trusted referent

若 registry protocol 保证 $K=k$ 唯一揭示 persistent referent $u(k)$，which-individual conditional 才成为 Dirac；identity law 可以是 $\delta_{u(k)}$，但绝不形成 embedding-row Dirac。

$$P(U\in du\mid K=k)=\delta_{u(k)}(du),\qquad Q_\phi(du\mid K=k)\approx\delta_{u(k)}(du)$$

Ambiguous evidence

sparse / ambiguous / new unit 下，world conditional 与 learner belief 都可 non-degenerate，也可以是 population fallback 或 abstention，再对 fixed-individual response law marginalize。

$$P_{\theta,\phi}(dy\mid x,\mathcal O)=\int_{\mathcal U}P_\theta(dy\mid x;u)Q_\phi(du\mid\mathcal O)$$

关键因果顺序是 protocol identifies individual → world conditional collapses → learner may approximate that collapse。ID 字段、embedding row 或模型 posterior 本身都不能倒过来证明 referent 已被识别；deterministic point summary（mean / MAP）至多是算法需要时的 approximation，不是 Unit Abduction 的基础输出。

07 · two kinds of non-uniqueness

Referential relabeling 与 representation gauge 不能混为一谈

I₁

Referential relabeling

对所有 persistent referents 做一致的双射 relabeling $T$，同时重写 response indexing，模型可以保持相同预测；这不改变谁与谁是同一个 unit。

$$u'=T(u),\qquad f'(x;T(u))=f(x;u),\qquad u_i=u_j\iff T(u_i)=T(u_j)$$

I₂

Representation gauge

另一个不同的不唯一性发生在 response layer：可以联合变换 $u_\theta(k)$ 与 downstream map 而保持 composed prediction 不变；learned coordinates 不是 person 的唯一科学坐标。

前者是 unit domain 的 referential relabeling；后者发生在 response layer。两者都不把 Unit Abduction 与 embedding estimation 混成同一问题。最后的 equality relation 在 observed-attribution regime 的任意一个固定参数化内部保持。

08 · division of labor

这页负责 typing；相邻两页负责后果与完整案例

为什么 unit / sample 必须分开？

计数、加权、split、known/new-unit generalization 与 sample-only boundary 由基础页完整说明。

打开基础页 →

Known referent 与 latent property 怎样进入真实模型？

账户 42、interaction log、trusted ID、user property、item treatment、retention outcome 与 PMF response-layer boundary 由推荐案例完整跑通。

打开推荐案例 →

09 · failure modes

六种最常见的类型错误

把未知的 $u_i$ 预填成每条 sample 的一般输入

把 world conditional $P$ 与 learner belief $Q_\phi$ 混写

把 ID lookup 或 embedding posterior 当成 unit selector

仅因出现 user_id 就宣称 learner belief 自动 Dirac

把 which-unit uncertainty 与 fixed-u event noise 混成一个随机源

让 candidate 或 post-answer outcome 偷渡进 evidence

10 · implications for USL-01

这页把什么固定进 Unit-as-Primitive 主线

Bayes rule、latent embedding、random effects 与 posterior predictive 都不是这里的新零件。USL-01 的理论责任是：

在 machine learning 中显式引入 Population selector $U$，并把 selected individual、sample attribution、world conditional、learner belief、fixed-individual response 与 event-typed evidence 写成可检查的结构。

CHECK 01

Population / Individual

$U\sim\Pi$ 与 event $U=u$ 必须在类型上分开。

CHECK 02

World / learner

$P(U\in du\mid\mathcal O)$ 与 $Q_\phi$ 必须明确区分。

CHECK 03

Two random sources

Population $U$ 的 which-individual variation、learner $Q_\phi$ 的 epistemic uncertainty 与 fixed-u event noise 分开。

CHECK 04

Observed attribution

$u_i$ 只在 rows 已可靠归属时作为 special regime 使用。

CHECK 05

Referent / address / content

$u$ 是 persistent referent；direct-ID 下 $k\mapsto u(k)$ 固定稳定地址，$u_\theta(k)$ 由 response objective 在该地址学习、可重参数化。

这些是 paper-level theory checks，不是已经通过独立复核的 theorem 或 empirical result。

Owner directive applied

这一页现在固定什么

$U$ 是执行 individual selection 的 Population Unit Selection Variable，$U=u$ 固定/表示 definite realized individual；$\Pi$ 不直接规定 observed dataset sampling。
fixed-$u$ kernel 保留 event / exogenous variation，且不自动假设 independence。
realized values 用于指定/编码 observed information $\mathcal O$，其 admissibility 由 protocol 决定。
$P(U\in du\mid\mathcal O)$ 是 world conditional，$Q_\phi(du\mid\mathcal O)$ 是 learner belief；factual evidence $\mathcal O^F$ 一次形成 belief，多个 response queries 复用它，query 不重新进入 Unit Abduction。
indexed $U_i/U_k$ 是 deprecated ambiguity，不是 foundation object。
$(x_i,y_i;u_i)$、$i\mapsto u_i$ 与 $u_i=u_j$ 仅属于 observed-attribution special regime。
$u$ 是 task-declared persistent referent 并语义索引 fixed-unit response law；direct-ID 下 $k\mapsto u(k)$ 固定地址，而 $u_\theta(k)$ 由 response objective 学习、可重参数化，且其 property posterior 不等同于 which-individual conditional。
fixed-$u$ 后直接改变 response 的信息必须声明为 $c^Q$ 并进入 $P_\theta(dy^Q\mid x^Q,c^Q,u)$；admissible factual $X=x$ 应进入 $\mathcal O$，designed candidate $x^q$ 不会因为进入 response law 就自动成为 $\mathcal O$；整包 $\mathcal O^F$ 不回灌 response kernel。
$\mathcal O$ 中若含 $Y=y$，它只能是已观察历史 / factual evidence，而不是当前 prediction target $Y^q$。

进入 Discord 写作工作区 ↗上一篇：unit / sample 下一篇：推荐案例

Primary anchors

Embedding 与推荐 response-layer 邻居的一手来源

PyTorch · torch.nn.Embedding官方接口：由 input indices 查询 fixed-size dictionary 中的 embeddings。 Vaswani et al. (2017) · Attention Is All You Need使用 learned embeddings 将 input / output tokens 转成连续向量。 Koren, Bell & Volinsky (2009) · Matrix Factorizationknown user referent 下的 user / item latent properties 与 score computation。 Kang & McAuley (2018) · SASRec同一 user history 上的 sequential recommendation state。 Liang et al. (2018) · Mult-VAEdistributional user latent 已是已有工作。 Schnabel et al. (2016) · Recommendations as Treatmentsrecommendation treatment、selection bias 与 causal evaluation。

这些来源分别支撑 token machinery 与已有推荐实践，不支撑 Unit-Abductive Learning 的 novelty。unit ontology、belief reuse、invariance、identification 与 empirical advantage 仍需单独证明与审计。

U = u
到底是什么意思？