引子：你永远没法一眼看全一个高维分布

微分几何研究流形。流形是个“客观对象”：地球表面、球面、环面，都是例子。你站在地球上，不可能从外面一眼看完整个地球；你只能先画局部地图，再研究这些地图怎么拼起来，最后提取出“换地图也变不了”的东西——比如球面和甜甜圈本质上不同，这种不同不是画地图方式造成的。

概率论研究联合分布。一个十维、二十维变量的联合分布，也是个客观对象：它是高维空间上的一团概率测度。你也没法一眼看全它。你只能看局部：某两个变量的关系、某三个变量的条件分布、某些变量的边缘分布。

所以问题来了：

怎么用局部描述，把高维联合分布的“整体结构”读出来？

DisCo（Disintegration + Combination，拆解与组合）框架回答的就是这个问题。它背后有三条哲学根基。

第一条根基：Sklar 分离哲学

——“每个变量自己长啥样”和“它们之间怎么纠缠”是两回事

1959 年，Abe Sklar 证明了一件事：任意 $n$ 维联合分布函数 $F(x_1,\dots,x_n)$ 都可以写成

$$F(x_1,\dots,x_n)=C(F_1(x_1),\dots,F_n(x_n))$$

其中：

• $F_i$ 是第 $i$ 个变量的边缘分布：“它自己长什么样”；

• $C$ 是 copula：“变量之间纯粹的依赖结构”。

这句话表面是个计算工具，后来在金融风控里很火。但它真正的哲学意思是：

联合分布天然分成两层：局部自有性 + 全局依赖性。这两层应该分开看。

分开之后有个很舒服的性质：你换边缘分布，依赖结构可以不变；你换依赖结构，边缘也可以不变。就像“每个人性格如何”和“几个人之间怎么互动”是两件事：换一批人但保持互动模式，戏还能接着演；换一种互动规则但人不变，戏也会完全变味。

Sklar 做的是最细的切法：一个变量一张边缘。DisCo 把它推广成：可以把变量分成任意“块”，每块抽边缘，块和块之间用“骨架”承载依赖。原则不变，只是从“逐人画像”变成“按小组画像”。

第二条根基：内生推理化

——切法不该由人拍脑袋，而该从分布里长出来

Sklar 说“该分离”，但没说“该怎么切才自然”。

传统粗粒化方法常是外来尺子：聚类、分箱、决策树，人先拿一把尺子去切数据。尺子一换，切出来的结构就变。

DisCo 不一样。它要求：

划分应该从联合分布自己身上长出来。

怎么长？靠边缘分布和互信息。

边缘分布 $\mu_I$ 是联合分布 $\mu$ 在变量子集 $I$ 上的投影，是分布自带的，不靠外部假设。互信息 $I(X_I;X_J)$ 衡量两块变量之间的纠缠强度，也是分布自带的。

于是自然得到一条粗粒化原则：

• 互信息大的变量：绑一块，当作“纤维”；

• 互信息小的变量组：靠“骨架”连起来。

这就像晶体生长：你不用告诉原子往哪边长，原子间相互作用势自己决定晶格方向。

操作上，DisCo 常用累积分布函数 CDF 做“处理化工具”。CDF 把测度映到 $[0,1]$，是分布自己的语言。用它可以定义块内联合分布、条件分位数、块内熵——都不是人硬塞进去的概念，而是从分布内部长出来的。

第三条根基：概率拆解定理

——“能拆”这件事本身有数学保障

前两条解决了“该拆”和“怎么拆得自然”。但还有个更底的问题：

任意切分之后，数学上真的总能合法拆开吗？

概率论里的 disintegration theorem（拆解定理）​ 说：可以。

设 $\mu$ 是标准 Borel 空间上的概率测度，$\pi$ 是把整体投影到某个子空间的操作，那么存在：

• 一个骨架测度 $\Phi$；

• 一族条件测度 $\mu_t$；

使得

$$\mu=\int \mu_t\,d\Phi(t)$$

翻译一下：

联合分布总可以拆成“块间怎么耦合”（骨架）+“给定块间状态后块内怎么分布”（纤维）。

而且这不需要你假设条件独立，不需要假设贝叶斯网络，不需要假设任何生成模型。只要分布存在，就能拆。拆是普遍的。

DisCo 进一步把这种“拆—拼”封装成代数结构：

• Cooperad：管拆，从整体到局部；

• Operad：管拼，从局部回整体；

• 二者对偶，形成组合语法。

拆解定理负责“合法不合法”，代数结构负责“怎么系统组合、递归嵌套”。

为什么非得是三条，少一条不行吗

少一条，框架就站歪。

只有 Sklar，没有内生推理化

那就只是 copula 的哲学注脚。你知道该分离，但切法是外来的；换把尺子，结果就变。分离做了，但分离不客观。

只有内生推理化，没有拆解定理

那就只是“聪明的粗粒化”。你知道该按互信息绑变量，但数学上未必真能沿着这个划分合法拆开。原则有了，合法性没有。

只有拆解定理，没有前两条

那就只是一条测度论定理。你知道“能拆”，但不知道“该拆什么”。就像有刀，却没有该切哪块的图纸。

三条合起来才是范式：

纯文本Sklar：该分离（动机） 

   ↓ 内生推理化：怎么分离才自然（原则）

    ↓ 拆解定理：分离永远合法（保障）

    ↓ DisCo 代数：系统性的拆拼语法（方法）

流形类比：联合分布，就是概率论里的“流形”

先说流形。

你永远只能看地球的一小块。每张局部地图是平的，但拼起来可能是球面。球面和平面的关键差别，不在某张地图上，而在“地图之间怎么对不上”——比如三角度和不等于 180°、比如绕一圈向量方向变了。这些“对不上”里藏着内蕴结构：曲率、洞、拓扑。

联合分布也一样。

你永远只能看局部：边缘分布、条件分布、某几个变量的关系。真正重要的不是单个局部，而是“局部拼回整体时哪里拼不回去”。

最妙的是“曲率”这个对应。

在球面上画三角形，内角和大于 180°。这不是你画错了，是空间本身弯了。

在 DisCo 里，你把联合分布拆成局部结构，再试图拼回去；如果拼不回原样，那个“残余”就是概率版的曲率：它在说，全局里有东西是局部解释不了的。

再打个听觉的比方。

一首交响乐是联合分布。你分别录弦乐、管乐、打击乐，就是边缘分布。大部分曲子，分声部录完再混音，能还原原曲——依赖结构不算太诡异。但有些现代作品，单独听每个声部都像在乱来，只有所有人同时响起来，那种“整体的张力”才出现。这个张力拆不出来、拼不回去。它就是音乐里的曲率，也是概率里的内蕴结构。

微分几何让你从地图里读出球面；DisCo 让你从边缘分布里读出联合分布的信息拓扑。

结语：这不是又一个概率分解技巧

DisCo 的三条根基分别对应：

• 动机：Sklar 说，该把“自有性”和“依赖性”分开；

• 原则：内生推理化说，切法要从分布里长出来；

• 保障：拆解定理说，沿着任意自然划分都能合法拆。

于是概率论正在发生一次转向：

从“给定联合分布，算积分、估参数”，走向“通过局部描述，提取全局内蕴结构”。

联合分布是流形，边缘分布是坐标卡，条件更新是联络，拆拼残余是曲率，不可因子化的全局障碍是上同调类。

这不是又一种概率模型。这是概率论的几何转向。

支持单位：