HSNRD IV：Feedback、Reachability 與安全介入
——從迴路極性、路徑閘門到反事實介入與約束式安全優化
系列： 《高階集合欲求》篇次： 10 / 10作者： Neo.K × Aletheia機構： EveMissLab／一言諾科技有限公司日期： 2026-08-07
摘要
前三篇數學方法論已依序建立 HSNRD 的 typed hierarchical ontology、micro-to-macro projection，以及可重寫的 CTMC / PDMP 混合結構動力學。但一個能夠出生、死亡、合併、分裂與改型的高階系統，仍然留下最重要的控制問題：哪些 feedback 真正支配系統？哪些節點只是局部迴路的重要元件，哪些卻控制世界線的入口與出口？如果介入某條強回饋迴路，系統是否必然變得「更好」？如何避免一個看似合理的 intervention 反而把系統推進新的吸收陷阱？
本文建立 HSNRD 最後一層方法論：Feedback–Reachability–Intervention。首先將 PDMP 的連續狀態與 rewrite hazards 聯合展開成異質 feedback graph：
F = ( V X ∪ V R , E X R ∪ E R X ∪ E R R ) \boxed{
\mathcal F
=
(
V_X\cup V_R,\,
E_{XR}\cup E_{RX}\cup E_{RR}
)
} F = ( V X ∪ V R , E X R ∪ E R X ∪ E R R ) 其中 state-to-rule 邊由 hazard sensitivity 建立，rule-to-state 邊由 jump reset 建立，rule-to-rule 邊則描述一個 rewrite 對另一個 rewrite 的適用域或 hazard 所造成的影響。本文將 feedback polarity 與 dynamical stability 嚴格分離：閉環權重的符號積可以區分 reinforcing 與 balancing loop，但：
R e i n f o r c i n g L o o p ⇏ L o c a l I n s t a b i l i t y . \boxed{
ReinforcingLoop
\not\Rightarrow
LocalInstability.
} R e in f or c in g L oo p ⇒ L oc a l I n s t abi l i t y . 真正的局部穩定性仍需考察 effective drift Jacobian：
b e f f ( G , x ) = F G ( x ) + ∑ ρ , m λ ρ , m ( G , x ) Δ ρ , m x , \boxed{
b_{\mathrm{eff}}(G,x)
=
F_G(x)
+
\sum_{\rho,m}
\lambda_{\rho,m}(G,x)\Delta_{\rho,m}x,
} b eff ( G , x ) = F G ( x ) + ρ , m ∑ λ ρ , m ( G , x ) Δ ρ , m x , 及其 spectral abscissa。
其次，本文將 loop topology 與 reachability topology 分離。Feedback Vertex Set（FVS）與 cycle hitting set 可用於找出打斷閉環的候選節點／邊，但它們不告訴我們 intervention 後系統會落入哪個可達 macrostate。HSNRD 因而定義 Path Gate：對進入、退出、改型、恢復等結構路徑具有高控制力、但不一定具有高 loop centrality 的節點。核心命題為：
C y c l e C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l ≠ O u t c o m e C o n t r o l . \boxed{
CycleControl
\neq
ReachabilityControl
\neq
OutcomeControl.
} C y c l e C o n t r o l = R e a c habi l i t y C o n t r o l = O u t co m e C o n t r o l . 第三，本文引入 intervention world：
M I = ( F I , λ I , R I , P I ) \boxed{
\mathcal M^I
=
(
F^I,
\lambda^I,
R^I,
\mathcal P^I
)
} M I = ( F I , λ I , R I , P I ) 並以 paired-world simulation、terminal distribution distance、path reachability、absorbing-trap risk 與 intervention cost 進行模型內反事實比較。這是一種模型式 counterfactual，不等同於從觀察資料完成的 empirical causal identification。
最後，本文將介入問題寫成帶安全約束的優化：
I ∗ = arg min I ∈ I J ( I ) \boxed{
I^*
=
\arg\min_{I\in\mathcal I}
J(I)
} I ∗ = arg I ∈ I min J ( I ) subject to structural legality、recovery reachability、undesired-state probability、distributional concentration 與 intervention budget 等條件。特別地，NOOP 必須是合法候選；若所有非空介入的結構風險或代價都高於 baseline，最佳決策可以是：
I ∗ = N O O P . \boxed{
I^*=NOOP.
} I ∗ = N O O P . 本文由此完成 HSNRD 的整體方法鏈：
S e t → T y p e d G r a p h → P r o j e c t i o n → R e w r i t e → C T M C → P D M P → S e n s i t i v i t y → F e e d b a c k → R e a c h a b i l i t y → C o u n t e r f a c t u a l → S a f e O p t i m i z a t i o n . \boxed{
Set
\rightarrow
TypedGraph
\rightarrow
Projection
\rightarrow
Rewrite
\rightarrow
CTMC
\rightarrow
PDMP
\rightarrow
Sensitivity
\rightarrow
Feedback
\rightarrow
Reachability
\rightarrow
Counterfactual
\rightarrow
SafeOptimization.
} S e t → T y p e d G r a p h → P r o j ec t i o n → R e w r i t e → C T M C → P D M P → S e n s i t i v i t y → F ee d ba c k → R e a c habi l i t y → C o u n t er f a c t u a l → S a f e O pt imi z a t i o n . 關鍵詞： HSNRD、feedback loop、feedback vertex set、reachability、path gate、counterfactual intervention、PDMP、safe optimization、absorbing trap
1. 最後一個問題：知道系統怎麼動之後，怎麼安全地改它？
HSNRD III 已得到：
Z t = ( G t , x t ) Z_t=(G_t,x_t) Z t = ( G t , x t ) 與生成元：
( L f ) ( G , x ) = ∇ x f ⋅ F G ( x ) + ∑ ρ , m λ ρ , m ( G , x ) [ f ( G ρ , m ′ , R ρ , m ( G , x ) ) − f ( G , x ) ] . (\mathcal L f)(G,x)
=
\nabla_x f\cdot F_G(x)
+
\sum_{\rho,m}
\lambda_{\rho,m}(G,x)
[
f(G'_{\rho,m},R_{\rho,m}(G,x))-f(G,x)
]. ( L f ) ( G , x ) = ∇ x f ⋅ F G ( x ) + ρ , m ∑ λ ρ , m ( G , x ) [ f ( G ρ , m ′ , R ρ , m ( G , x )) − f ( G , x )] . 這已經能描述：
continuous flow；
state-dependent hazard；
structural rewrite；
topology change；
reset。
但如果我們想：
改變系統結果，
仍缺至少四個問題：
哪些 feedback loops 真正重要？
哪些 structural paths 決定可達終局？
intervention 會不會創造新的 trap？
怎樣定義「安全」而不是只定義「有效」？
因此：
D y n a m i c s ≠ C o n t r o l T h e o r y . \boxed{
Dynamics
\neq
ControlTheory.
} D y nami cs = C o n t r o l T h eor y . 更不是：
C o n t r o l = C u t T h e S t r o n g e s t L o o p . \boxed{
Control
=
CutTheStrongestLoop.
} C o n t r o l = C u tT h e S t r o n g es t L oo p . 2. 三種不同的 feedback
在 HSNRD 中，「feedback」不能只用一張 causal-loop diagram 全部代表。
至少有三個層次。
2.1 Continuous feedback
連續狀態：
x j x_j x j 改變某個 structural event hazard：
λ ρ . \lambda_\rho. λ ρ . 定義：
J λ , ρ j = ∂ λ ρ ∂ x j . \boxed{
J_{\lambda,\rho j}
=
\frac{\partial
\lambda_\rho
}{
\partial x_j
}.
} J λ , ρ j = ∂ x j ∂ λ ρ . 這是：
x j → ρ x_j
\rightarrow
\rho x j → ρ 的局部 differential sensitivity。
2.2 Structural feedback
一個 rewrite：
ρ \rho ρ 改變另一 rule：
σ \sigma σ 的：
applicability；
match count；
hazard；
type legality。
這是：
ρ → σ . \boxed{
\rho
\rightarrow
\sigma.
} ρ → σ . 它不一定能用普通導數表示。
2.3 Hybrid dynamical feedback
state 改變 hazard，
hazard 觸發 jump，
jump 改變 state / topology，
新的 topology 再改變 continuous flow。
因此：
x → λ → J u m p → G ′ → F G ′ → x . \boxed{
x
\rightarrow
\lambda
\rightarrow
Jump
\rightarrow
G'
\rightarrow
F_{G'}
\rightarrow
x.
} x → λ → J u m p → G ′ → F G ′ → x . 這是 HSNRD 真正的閉環。
3. State-to-Rule 邊
對 rule：
ρ \rho ρ 與 continuous variable：
x j , x_j, x j , 定義：
w x j → ρ = ∂ λ ρ ∂ x j . \boxed{
w_{x_j\rightarrow\rho}
=
\frac{\partial
\lambda_\rho
}{
\partial x_j
}.
} w x j → ρ = ∂ x j ∂ λ ρ . 如果：
w > 0 , w>0, w > 0 , 代表：
x j ↑ ⇒ λ ρ ↑ . x_j\uparrow
\Rightarrow
\lambda_\rho\uparrow. x j ↑⇒ λ ρ ↑ . 如果：
w < 0 , w<0, w < 0 , 代表抑制。
這只是 local sensitivity。
所以：
L a r g e D e r i v a t i v e ≠ L a r g e G l o b a l E f f e c t . \boxed{
LargeDerivative
\neq
LargeGlobalEffect.
} L a r g eD er i v a t i v e = L a r g e Gl o ba l E f f ec t . 4. Rule-to-State 邊
若 event：
ρ \rho ρ 發生後：
x → R ρ x , x
\rightarrow
R_\rho x, x → R ρ x , 定義：
Δ ρ x = R ρ x − x . \boxed{
\Delta_\rho x
=
R_\rho x-x.
} Δ ρ x = R ρ x − x . 對 coordinate：
x j x_j x j 建立：
w ρ → x j = Δ ρ x j . \boxed{
w_{\rho\rightarrow x_j}
=
\Delta_\rho x_j.
} w ρ → x j = Δ ρ x j . 這表示 rewrite 對 continuous state 的 immediate effect。
注意：
Δ ρ x \Delta_\rho x Δ ρ x 與：
F G ′ ( x ) − F G ( x ) F_{G'}(x)-F_G(x) F G ′ ( x ) − F G ( x ) 不同。
前者是 jump reset，
後者是 rewrite 之後 flow field 的改變。
5. Immediate Differential Loop
若：
x j → ρ → x j , x_j
\rightarrow
\rho
\rightarrow
x_j, x j → ρ → x j , 則最簡單 local feedback contribution：
K ρ j = ∂ λ ρ ∂ x j Δ ρ x j . \boxed{
K_{\rho j}
=
\frac{\partial\lambda_\rho}{\partial x_j}
\Delta_\rho x_j.
} K ρ j = ∂ x j ∂ λ ρ Δ ρ x j . 總合：
K ρ = ∑ j K ρ j . \boxed{
K_\rho
=
\sum_j
K_{\rho j}.
} K ρ = j ∑ K ρ j . 若：
K ρ j > 0 , K_{\rho j}>0, K ρ j > 0 , event effect 會使自身 hazard tendency 增強。
若：
K ρ j < 0 , K_{\rho j}<0, K ρ j < 0 , 則為局部 balancing tendency。
但若 rule 發生後直接失去適用域，
這個量仍不能被解讀成：
rule 會自我無限複製。
所以：
D i f f e r e n t i a l S e l f E f f e c t ≠ S t r u c t u r a l S e l f R e p r o d u c t i o n . \boxed{
DifferentialSelfEffect
\neq
StructuralSelfReproduction.
} D i f f er e n t ia l S e l f E f f ec t = S t r u c t u r a l S e l f R e p r o d u c t i o n . 6. Rule-to-Rule 邊
假設：
ρ \rho ρ 發生前：
λ σ b e f o r e , \lambda_\sigma^{before}, λ σ b e f or e , 發生後：
λ σ a f t e r . \lambda_\sigma^{after}. λ σ a f t er . 可定義：
I σ ← ρ = log λ σ a f t e r + ϵ λ σ b e f o r e + ϵ . \boxed{
I_{\sigma\leftarrow\rho}
=
\log
\frac{
\lambda_\sigma^{after}+\epsilon
}{
\lambda_\sigma^{before}+\epsilon
}.
} I σ ← ρ = log λ σ b e f or e + ϵ λ σ a f t er + ϵ . 若：
I > 0 , I>0, I > 0 , ρ \rho ρ σ \sigma σ
若：
I < 0 , I<0, I < 0 , ρ \rho ρ σ \sigma σ
如果：
ρ \rho ρ 直接讓：
σ \sigma σ 失去 domain，
這是更強的：
S t r u c t u r a l D i s a b l e . \boxed{
StructuralDisable.
} S t r u c t u r a l D i s ab l e . 不能只當普通 small negative derivative。
7. Feedback Graph
因此建立：
F = ( V X ∪ V R , E X R ∪ E R X ∪ E R R ) . \boxed{
\mathcal F
=
(
V_X\cup V_R,
E_{XR}\cup E_{RX}\cup E_{RR}
).
} F = ( V X ∪ V R , E X R ∪ E R X ∪ E R R ) . 其中：
V X = { x 1 , … , x d } V_X
=
\{x_1,\ldots,x_d\} V X = { x 1 , … , x d } 為 continuous state nodes。
V R = { ρ 1 , … , ρ R } V_R
=
\{\rho_1,\ldots,\rho_R\} V R = { ρ 1 , … , ρ R } 為 rewrite-rule nodes。
邊：
E X R E_{XR} E X R 表示 state → rule。
E R X E_{RX} E R X 表示 rule → state。
E R R E_{RR} E R R 表示 rule → rule。
這不是原始 institutional graph：
G . G. G . 所以：
F e e d b a c k G r a p h ≠ I n s t i t u t i o n G r a p h . \boxed{
FeedbackGraph
\neq
InstitutionGraph.
} F ee d ba c k G r a p h = I n s t i t u t i o n G r a p h . 8. Feedback graph 的異質單位問題
一條：
x → ρ x\rightarrow\rho x → ρ 邊可能是：
∂ λ / ∂ x . \partial\lambda/\partial x. ∂ λ / ∂ x . 一條：
ρ → x \rho\rightarrow x ρ → x 則是 reset magnitude。
另一條：
ρ → σ \rho\rightarrow\sigma ρ → σ 是 log hazard ratio。
它們單位不同。
所以如果要放進同一視覺化 adjacency matrix，
通常必須做 channel-specific normalization。
例如：
w ~ e = c l i p ( w e Q 0.75 ( ∣ w ∣ c h a n n e l ) , − c , c ) . \boxed{
\tilde w_e
=
clip
\left(
\frac{w_e}{Q_{0.75}(|w|_{channel})},
-c,c
\right).
} w ~ e = c l i p ( Q 0.75 ( ∣ w ∣ c hann e l ) w e , − c , c ) . 這只能稱：
D i a g n o s t i c N o r m a l i z a t i o n . \boxed{
DiagnosticNormalization.
} D ia g n os t i c N or ma l i z a t i o n . 不能宣稱：
所有邊已被轉成同一個物理量。
9. Loop polarity
對 directed cycle：
C = ( e 1 , … , e n ) , C=(e_1,\ldots,e_n), C = ( e 1 , … , e n ) , 定義符號：
P o l a r i t y ( C ) = s i g n ( ∏ e ∈ C w e ) . \boxed{
Polarity(C)
=
sign
\left(
\prod_{e\in C}
w_e
\right).
} P o l a r i t y ( C ) = s i g n ( e ∈ C ∏ w e ) . 若：
P o l a r i t y ( C ) > 0 , Polarity(C)>0, P o l a r i t y ( C ) > 0 , 稱：
R e i n f o r c i n g L o o p . \boxed{
ReinforcingLoop.
} R e in f or c in g L oo p . 若：
P o l a r i t y ( C ) < 0 , Polarity(C)<0, P o l a r i t y ( C ) < 0 , 稱：
B a l a n c i n g L o o p . \boxed{
BalancingLoop.
} B a l an c in g L oo p . 這與 system dynamics 中 feedback-loop polarity 的標準概念一致。
10. Negative edge 不等於 balancing loop
例如：
A → − B → − A . A
\xrightarrow{-}
B
\xrightarrow{-}
A. A − B − A . 整個 loop：
( − ) × ( − ) = + . (-)\times(-)=+. ( − ) × ( − ) = + . 所以：
M u t u a l I n h i b i t i o n \boxed{
MutualInhibition
} M u t u a l I nhibi t i o n 可以形成：
P o s i t i v e / R e i n f o r c i n g L o o p . \boxed{
Positive/ReinforcingLoop.
} P os i t i v e / R e in f or c in g L oo p . 因此：
N e g a t i v e E d g e ⇏ N e g a t i v e L o o p . \boxed{
NegativeEdge
\not\Rightarrow
NegativeLoop.
} N e g a t i v e E d g e ⇒ N e g a t i v e L oo p . 這在制度互斥、競爭性規則與歷史 lock-in 中非常重要。
11. Loop strength
可用：
G a i n ( C ) = ∏ e ∈ C w e . \boxed{
Gain(C)
=
\prod_{e\in C}
w_e.
} G ain ( C ) = e ∈ C ∏ w e . 但長 loop 乘積自然變小，
所以可用幾何平均：
S ( C ) = ∣ G a i n ( C ) ∣ 1 / ∣ C ∣ . \boxed{
S(C)
=
|Gain(C)|^{1/|C|}.
} S ( C ) = ∣ G ain ( C ) ∣ 1/∣ C ∣ . 這只是一個 diagnostic strength。
如果 edges 已經被異質 normalization，
則：
S ( C ) S(C) S ( C ) 不是物理增益。
所以：
L o o p S t r e n g t h = M o d e l D i a g n o s t i c , \boxed{
LoopStrength
=
ModelDiagnostic,
} L oo pS t r e n g t h = M o d e l D ia g n os t i c , 除非所有邊有一致可乘語義。
12. Reinforcing loop 不等於局部不穩定
這是本篇最重要的校正之一。
system dynamics 中：
P o s i t i v e L o o p PositiveLoop P os i t i v e L oo p 表示沿迴路的變化傾向會被強化。
但 hybrid system 的 local stability 取決於完整 effective dynamics。
所以：
R e i n f o r c i n g L o o p ⇏ L o c a l I n s t a b i l i t y . \boxed{
ReinforcingLoop
\not\Rightarrow
LocalInstability.
} R e in f or c in g L oo p ⇒ L oc a l I n s t abi l i t y . 一個 positive loop 可以存在於整體仍局部 stable 的系統。
13. Effective drift
對 PDMP，
在 infinitesimal expectation sense 下，可以定義：
b e f f ( G , x ) = F G ( x ) + ∑ ρ , m λ ρ , m ( G , x ) Δ ρ , m x . \boxed{
b_{\mathrm{eff}}(G,x)
=
F_G(x)
+
\sum_{\rho,m}
\lambda_{\rho,m}(G,x)
\Delta_{\rho,m}x.
} b eff ( G , x ) = F G ( x ) + ρ , m ∑ λ ρ , m ( G , x ) Δ ρ , m x . 其中：
Δ ρ , m x = R ρ , m ( G , x ) − x . \Delta_{\rho,m}x
=
R_{\rho,m}(G,x)-x. Δ ρ , m x = R ρ , m ( G , x ) − x . 第一項：
F G F_G F G 是 continuous flow。
第二項：
λ Δ x \lambda\Delta x λ Δ x 是 jump 的 expected instantaneous drift contribution。
14. Effective Jacobian
定義：
J e f f = ∂ b e f f ∂ x . \boxed{
J_{\mathrm{eff}}
=
\frac{\partial b_{\mathrm{eff}}}{\partial x}.
} J eff = ∂ x ∂ b eff . 基礎 continuous Jacobian：
J F = ∂ F G ∂ x . \boxed{
J_F
=
\frac{\partial F_G}{\partial x}.
} J F = ∂ x ∂ F G . 再看 spectral abscissa：
α ( J ) = max ℜ σ ( J ) . \boxed{
\alpha(J)
=
\max
\Re
\sigma(J).
} α ( J ) = max ℜ σ ( J ) . 若：
α ( J e f f ) < 0 , \alpha(J_{\mathrm{eff}})<0, α ( J eff ) < 0 , 表示該線性化下局部收斂。
即使 feedback graph 中存在強 reinforcing cycle，
也完全可能：
α ( J e f f ) < 0. \boxed{
\alpha(J_{\mathrm{eff}})<0.
} α ( J eff ) < 0. 15. 三層 loop interpretation
因此 HSNRD 應固定三種 loop language：
Level A — Differential loop
x j → λ ρ → Δ ρ x j . x_j
\rightarrow
\lambda_\rho
\rightarrow
\Delta_\rho x_j. x j → λ ρ → Δ ρ x j . 用：
K ρ j K_{\rho j} K ρ j 分析。
Level B — Structural event loop
ρ → σ → ρ . \rho
\rightarrow
\sigma
\rightarrow
\rho. ρ → σ → ρ . 用：
I σ ← ρ I_{\sigma\leftarrow\rho} I σ ← ρ 與 applicability 分析。
Level C — Hybrid dynamical loop
x → H a z a r d → J u m p → E f f e c t i v e D r i f t → x . x
\rightarrow
Hazard
\rightarrow
Jump
\rightarrow
EffectiveDrift
\rightarrow
x. x → H a z a r d → J u m p → E f f ec t i v eD r i f t → x . 用：
J e f f J_{\mathrm{eff}} J eff 與 spectrum 分析。
因此：
O n e S c a l a r L o o p S c o r e \boxed{
OneScalarLoopScore
} O n e S c a l a r L oo pS cor e 不應取代全部三層。
16. Feedback Vertex Set
對 directed graph：
F , \mathcal F, F , 若節點集合：
S ⊆ V ( F ) S\subseteq V(\mathcal F) S ⊆ V ( F ) 滿足：
F − S \mathcal F-S F − S 為 acyclic，
則：
S \boxed{
S
} S 是 Feedback Vertex Set。
FVS 在非線性網路控制中確實具有重要理論地位：
控制一組打斷所有 feedback cycles 的節點，可在特定 dissipative nonlinear-system 類別中對 attractor control 提供結構性保證。
這使 FVS 成為 HSNRD 很有價值的候選 generator。
17. 但 FVS 是計算問題
minimum FVS 一般是經典困難問題。
在 signed digraph 中：
positive feedback vertex set；
negative feedback vertex set；
等問題也可為 NP-complete。
2026 年 bounded-degree / planar feedback-set complexity 的新分類亦再次顯示，feedback-set family 的計算複雜度高度依 graph class 而變。
因此：
F i n d A l l O p t i m a l F V S \boxed{
FindAllOptimalFVS
} F in d A l l O pt ima l F V S 不是大系統中可被假定為廉價操作。
HSNRD 工程上通常需要：
heuristic；
approximation；
bounded cycle enumeration；
ILP / SAT；
domain constraints。
18. HSNRD 的 selective cycle hitting set
HSNRD 不一定想打斷：
A l l C y c l e s . AllCycles. A l l C y c l es . 例如 balancing loops 可能非常重要。
因此可以定義：
C R θ \mathcal C_R^\theta C R θ 為強度高於：
θ \theta θ 的 reinforcing cycles。
找：
S ⊆ V \boxed{
S
\subseteq V
} S ⊆ V 使：
∀ C ∈ C R θ , S ∩ C ≠ ∅ . \forall C\in\mathcal C_R^\theta,
\quad
S\cap C\neq\varnothing. ∀ C ∈ C R θ , S ∩ C = ∅ . 這是：
S t r o n g R e i n f o r c i n g C y c l e H i t t i n g S e t . \boxed{
StrongReinforcingCycleHittingSet.
} S t r o n g R e in f or c in g C y c l eH i tt in g S e t . 它不是標準 full FVS。
因此必須在術語上分開。
19. Break Loop 不等於控制結果
即使：
S S S 打斷全部 reinforcing cycles，
仍不能推出：
O u t c o m e Outcome O u t co m e 變成想要的狀態。
原因是：
F e e d b a c k T o p o l o g y ≠ R e a c h a b i l i t y T o p o l o g y . \boxed{
FeedbackTopology
\neq
ReachabilityTopology.
} F ee d ba c k T o p o l o g y = R e a c habi l i t y T o p o l o g y . cycle graph 告訴我們：
哪些 causal dependencies 閉合。
rewrite meta-graph 告訴我們：
哪些世界線仍然可走。
這是兩張不同的圖。
20. 一個最簡單的 trap 例子
假設：
T e m p o r a r y → S p l i t O r d i n a r y Temporary
\xrightarrow{Split}
Ordinary T e m p or a r y S pl i t O r d ina r y 是主要 exit path。
如果：
S p l i t Split S pl i t 同時位於強 reinforcing loop，
我們做：
C u t ( S p l i t ) . Cut(Split). C u t ( S pl i t ) . feedback loop 被打斷。
但 exit path 也消失。
於是：
T e m p o r a r y \boxed{
Temporary
} T e m p or a r y 可能變成 absorbing trap。
所以：
B r e a k R e i n f o r c i n g L o o p ⇒ C r e a t e A b s o r b i n g T r a p \boxed{
BreakReinforcingLoop
\Rightarrow
CreateAbsorbingTrap
} B r e ak R e in f or c in g L oo p ⇒ C r e a t e A b sor bin g T r a p 完全可能。
21. Reachability graph
沿用 HSNRD III：
G R = ( V R , E R ) . \boxed{
\mathcal G_R
=
(V_R,E_R).
} G R = ( V R , E R ) . 對 current state：
G , G, G , 定義：
R e a c h ( G , A ) Reach(G,A) R e a c h ( G , A ) 表示能否到達 macroset：
A . A. A . 若有 stochastic rates，
則還可分析：
P G ( τ A ≤ T ) \boxed{
P_G(
\tau_A\le T
)
} P G ( τ A ≤ T ) 或 hitting probability：
h A ( G ) = P G ( τ A < ∞ ) . \boxed{
h_A(G)
=
P_G(
\tau_A<\infty
).
} h A ( G ) = P G ( τ A < ∞ ) . 這比 loop existence 更直接回答：
系統能不能出去？
22. Entry Gate 與 Exit Gate
定義一個 node / rule：
v v v 如果移除後：
R e a c h ( G , A ) Reach(G,A) R e a c h ( G , A ) 顯著下降，
則：
v v v 對集合 A A A
P a t h G a t e . \boxed{
PathGate.
} P a t h G a t e . 若 A A A
E n t r y G a t e . \boxed{
EntryGate.
} E n t r y G a t e . 若 A A A
E x i t G a t e . \boxed{
ExitGate.
} E x i tG a t e . 一個 path gate：
L o o p C e n t r a l i t y ( v ) \boxed{
LoopCentrality(v)
} L oo pC e n t r a l i t y ( v ) 可以非常低。
23. Loop Importance 與 Gate Importance
因此定義兩個不同軸：
I L ( v ) \boxed{
I_L(v)
} I L ( v ) 表示 feedback-loop importance。
以及：
I G ( v ) \boxed{
I_G(v)
} I G ( v ) 表示 reachability / outcome-gate importance。
例如：
I G ( v ) ≈ T V ( P ( G T ) , P ( G T ∣ d o ( I v ) ) ) . I_G(v)
\approx
TV
\left(
P(G_T),
P(G_T\mid do(I_v))
\right). I G ( v ) ≈ T V ( P ( G T ) , P ( G T ∣ d o ( I v )) ) . 這只是一種 empirical model-based proxy。
因此節點可分成：
I L I_L I L I G I_G I G 類型
高
高
Core controller
高
低
Local amplifier
低
高
Path gate
低
低
Peripheral
24. 為什麼 Path Gate 很重要？
傳統 centrality 很容易找到：
高 degree；
高 betweenness；
高 loop participation；
節點。
但一個：
B i r t h R u l e BirthRule B i r t h R u l e 可能只發生一次，
loop participation 很低，
卻控制：
C a n S y s t e m E n t e r T h e R e g i m e ? \boxed{
CanSystemEnterTheRegime?
} C an S y s t e m E n t er T h e R e g im e ? 同樣：
S p l i t R u l e SplitRule S pl i tR u l e 可能不在主要循環中心，
卻控制：
C a n S y s t e m E s c a p e ? \boxed{
CanSystemEscape?
} C an S y s t e m E sc a p e ? 因此：
L o w L o o p I m p o r t a n c e ⇏ L o w O u t c o m e I m p o r t a n c e . \boxed{
LowLoopImportance
\not\Rightarrow
LowOutcomeImportance.
} L o w L oo p I m p or t an ce ⇒ L o w O u t co m e I m p or t an ce . 25. Feedback Dormancy
如果某 checkpoint：
F t \mathcal F_t F t 找不到短 reinforcing cycles，
不能說：
系統沒有因果結構。
可能有兩種不同 dormancy。
Stable dormancy
系統已進入低 feedback、可恢復區域。
Locked dormancy
exit rules 已不可適用，
因此：
N o A c t i v e L o o p \boxed{
NoActiveLoop
} N o A c t i v e L oo p 只是因為：
N o A v a i l a b l e E x i t . \boxed{
NoAvailableExit.
} N o A v ai l ab l e E x i t . 所以：
F e e d b a c k F r e e ≠ H e a l t h y ≠ A d a p t i v e . \boxed{
FeedbackFree
\neq
Healthy
\neq
Adaptive.
} F ee d ba c k F r ee = H e a l t h y = A d a pt i v e . 26. Counterfactual Intervention World
現在正式定義介入。
baseline model：
M = ( F , λ , R , P ) . \boxed{
\mathcal M
=
(
F,
\lambda,
R,
\mathcal P
).
} M = ( F , λ , R , P ) . 介入：
I I I 建立：
M I = ( F I , λ I , R I , P I ) . \boxed{
\mathcal M^I
=
(
F^I,
\lambda^I,
R^I,
\mathcal P^I
).
} M I = ( F I , λ I , R I , P I ) . 也就是 intervention 可以改變：
continuous flow；
event hazard；
reset；
rewrite grammar。
不同 intervention 類型必須有不同 semantics。
27. 四類 intervention
27.1 State → Rule edge intervention
原 hazard：
λ ρ ( G , x ) . \lambda_\rho(G,x). λ ρ ( G , x ) . 切除：
x j → ρ x_j\rightarrow\rho x j → ρ 可以定義為：
λ ρ I ( G , x ) = λ ρ ( G , x − j , x j r e f ) . \boxed{
\lambda_\rho^I(
G,x
)
=
\lambda_\rho(
G,
x_{-j},
x_j^{ref}
).
} λ ρ I ( G , x ) = λ ρ ( G , x − j , x j r e f ) . 也就是 hazard 不再讀 live x j x_j x j
而讀固定 reference。
這是一種 edge-cut semantics，
不是唯一可能定義。
27.2 Rule → State intervention
若：
ρ \rho ρ 原本 reset：
x j → R ρ , j ( x ) , x_j
\rightarrow
R_{\rho,j}(x), x j → R ρ , j ( x ) , 可以 suppress：
R ρ , j I ( x ) = x j . \boxed{
R_{\rho,j}^I(x)=x_j.
} R ρ , j I ( x ) = x j . 27.3 Rule node intervention
直接：
λ ρ I = 0. \boxed{
\lambda_\rho^I=0.
} λ ρ I = 0. 或從 grammar：
P I = P − { ρ } . \mathcal P^I
=
\mathcal P-\{\rho\}. P I = P − { ρ } . 27.4 Structural grammar intervention
直接改寫：
match legality；
type schema；
rewrite outcome；
relation routing。
這是最強、也最需要 formal rewrite semantics 的介入。
28. State-node cut 必須小心定義
如果說：
C u t ( x j ) , Cut(x_j), C u t ( x j ) , 可能至少有三種含義：
把 x j x_j x j
移除 x j x_j x j
從 continuous ODE 中刪除該 state。
這三者完全不同。
所以：
N o d e C u t \boxed{
NodeCut
} N o d e C u t 不是自明操作。
每一個 intervention 都必須明確定義：
I n t e r v e n t i o n S e m a n t i c s ( I ) . \boxed{
InterventionSemantics(I).
} I n t er v e n t i o n S e man t i cs ( I ) . 29. Paired-world simulation
如果要比較：
M \mathcal M M 與：
M I , \mathcal M^I, M I , 可使用：
C o m m o n R a n d o m N u m b e r s . \boxed{
CommonRandomNumbers.
} C o mm o n R an d o m N u mb er s . 即：
相同 initial state；
相同 random seed / exponential stream；
能共用的 stochastic randomness 儘量共用。
這有助於降低：
O u t c o m e I − O u t c o m e 0 Outcome_I-Outcome_0 O u t co m e I − O u t co m e 0 估計 variance。
但 structural path 分岔後，
兩世界的 event sequence 可能不再一一對應。
因此：
P a i r e d R a n d o m n e s s ≠ I d e n t i c a l H i s t o r y . \boxed{
PairedRandomness
\neq
IdenticalHistory.
} P ai r e d R an d o mn ess = I d e n t i c a l H i s t or y . 30. 這不是 empirical causal identification
HSNRD 中：
d o ( I ) do(I) d o ( I ) 表示：
在已指定模型內修改 structural equations / hazards / rewrite grammar。
它不是：
已從現實 observational data 證明 intervention 有 causal effect。
因此：
M o d e l C o u n t e r f a c t u a l ≠ E m p i r i c a l C a u s a l I d e n t i f i c a t i o n . \boxed{
ModelCounterfactual
\neq
EmpiricalCausalIdentification.
} M o d e l C o u n t er f a c t u a l = E m p i r i c a l C a u s a l I d e n t i f i c a t i o n . 如果要對現實做因果結論，
還需要：
identification assumptions；
data；
measurement validity；
model validation。
31. Terminal distribution
若 macro outcome：
M ( G T ) ∈ { m 1 , … , m K } , M(G_T)
\in
\{
m_1,\ldots,m_K
\}, M ( G T ) ∈ { m 1 , … , m K } , baseline distribution：
p 0 . p^0. p 0 . 介入：
p I . p^I. p I . 可用 total variation distance：
T V ( p I , p 0 ) = 1 2 ∑ k ∣ p k I − p k 0 ∣ . \boxed{
TV(p^I,p^0)
=
\frac12
\sum_k
|p_k^I-p_k^0|.
} T V ( p I , p 0 ) = 2 1 k ∑ ∣ p k I − p k 0 ∣. 衡量 intervention 對 terminal macro distribution 的總體改變。
32. Global effect 不等於 desirable effect
大：
T V TV T V 只表示：
介入改變很多。
它不表示：
改變得好。
所以：
E f f e c t S i z e ≠ D e s i r a b i l i t y . \boxed{
EffectSize
\neq
Desirability.
} E f f ec tS i z e = D es i r abi l i t y . 同理：
T V = 0 TV=0 T V = 0 也不保證 intervention 無作用，
因為：
path distribution；
timing；
continuous state；
仍可能改變。
因此 terminal TV 只是其中一個 summary。
33. Pathwise metrics
對 safety 更重要的可能是：
P ( τ U < T ) \boxed{
P(
\tau_{\mathcal U}<T
)
} P ( τ U < T ) 其中：
U \mathcal U U 是 unsafe region。
也可以看：
P ( τ R < T ) \boxed{
P(
\tau_{\mathcal R}<T
)
} P ( τ R < T ) 其中：
R \mathcal R R 是 recovery set。
再加：
E x p e c t e d T i m e T o E x i t , ExpectedTimeToExit, E x p ec t e d T im e T o E x i t , E x p e c t e d O c c u p a t i o n T i m e ( U ) . ExpectedOccupationTime(\mathcal U). E x p ec t e d O cc u p a t i o n T im e ( U ) . 所以：
T e r m i n a l S a f e t y ≠ P a t h w i s e S a f e t y . \boxed{
TerminalSafety
\neq
PathwiseSafety.
} T er mina l S a f e t y = P a t h w i se S a f e t y . 34. 三層安全
HSNRD 最少需要三種 safety。
34.1 Structural safety
intervention 後仍滿足：
type legality；
rewrite semantics；
graph consistency。
即：
I ∈ I l e g a l . \boxed{
I
\in
\mathcal I_{legal}.
} I ∈ I l e g a l . 34.2 Reachability safety
不能意外殺死：
通道。
例如：
P G I ( τ R < T ) ≥ η . \boxed{
P_G^I(
\tau_\mathcal R<T
)
\ge
\eta.
} P G I ( τ R < T ) ≥ η . 34.3 Distributional safety
不能讓全部機率集中到單一 undesired macrostate。
例如：
max k P I ( M T = m k ) ≤ κ . \boxed{
\max_k
P^I(M_T=m_k)
\le
\kappa.
} k max P I ( M T = m k ) ≤ κ . 但 concentration 只是 trap proxy，
不等於真正 absorbing-state probability。
35. 第四層：Continuous State Safety
若 continuous state 有 forbidden region：
X U , \mathcal X_U, X U , 可再要求：
P I ( ∃ t ≤ T : x t ∈ X U ) ≤ ϵ x . \boxed{
P^I(
\exists t\le T:
x_t\in\mathcal X_U
)
\le
\epsilon_x.
} P I ( ∃ t ≤ T : x t ∈ X U ) ≤ ϵ x . 這比只看 final graph 更接近完整 hybrid safety。
36. Absorbing Trap
若 intervention 使某：
G ∗ G^* G ∗ 滿足：
R e a c h I ( G ∗ , H − { G ∗ } ) = 0 , \boxed{
Reach^I(
G^*,
\mathcal H-\{G^*\}
)
=0,
} R e a c h I ( G ∗ , H − { G ∗ }) = 0 , 則：
G ∗ G^* G ∗ 是 structural absorbing state。
若它不是 desired target，
稱：
I n t e r v e n t i o n I n d u c e d T r a p . \boxed{
InterventionInducedTrap.
} I n t er v e n t i o n I n d u ce d T r a p . 因此：
B r e a k L o o p s ⇒ C r e a t e T r a p \boxed{
BreakLoops
\Rightarrow
CreateTrap
} B r e ak L oo p s ⇒ C r e a t e T r a p 是必須被檢查的 failure mode。
37. Cycle Control、Reachability Control、Outcome Control
現在可以正式寫：
C y c l e C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l ≠ O u t c o m e C o n t r o l . \boxed{
CycleControl
\neq
ReachabilityControl
\neq
OutcomeControl.
} C y c l e C o n t r o l = R e a c habi l i t y C o n t r o l = O u t co m e C o n t r o l . Cycle control
問：
哪些 feedback loops 被打斷？
Reachability control
問：
哪些 states 還能到達？
Outcome control
問：
機率質量最後怎麼分布？
三者互相關聯，
但沒有任何一個可以單獨替代另外兩個。
38. Structural intervention 的一般意義
網路研究本身也區分：
characteristic intervention；
structural intervention。
前者改變 node intrinsic state / incentive，
後者改變 network links。
HSNRD 更進一步，
因為 intervention 甚至可以改：
O n t o l o g y . \boxed{
Ontology.
} O n t o l o g y . 例如：
Birth rule；
Split rule；
institution type；
rewrite admissibility。
所以：
S t r u c t u r a l I n t e r v e n t i o n \boxed{
StructuralIntervention
} S t r u c t u r a l I n t er v e n t i o n 在 HSNRD 中至少包括：
E d g e , N o d e , R u l e , G r a m m a r . Edge,
Node,
Rule,
Grammar. E d g e , N o d e , R u l e , G r amma r . 39. Safe Intervention Optimization
令 intervention set：
I . \boxed{
\mathcal I.
} I . 每個：
I I I 有：
C o s t ( I ) . Cost(I). C os t ( I ) . 以及 outcome metrics：
P I ( M T ) , P^I(M_T), P I ( M T ) , R e a c h a b i l i t y I , Reachability^I, R e a c habi l i t y I , T V I . TV^I. T V I . 定義：
I ∗ = arg min I ∈ I J ( I ) \boxed{
I^*
=
\arg\min_{I\in\mathcal I}
J(I)
} I ∗ = arg I ∈ I min J ( I ) subject to safety constraints。
40. 一個 generic objective
例如：
J ( I ) = w C C o s t ( I ) + w U P I ( U T ) + w T P I ( T T ) + w V T V ( P T I , P T 0 ) + w K C o n c e n t r a t i o n ( P T I ) . \boxed{
J(I)
=
w_C Cost(I)
+
w_U P^I(\mathcal U_T)
+
w_T P^I(\mathcal T_T)
+
w_V TV(P_T^I,P_T^0)
+
w_K Concentration(P_T^I).
} J ( I ) = w C C os t ( I ) + w U P I ( U T ) + w T P I ( T T ) + w V T V ( P T I , P T 0 ) + w K C o n ce n t r a t i o n ( P T I ) . 其中：
U \mathcal U U T \mathcal T T T V TV T V concentration：trap proxy。
但：
w C , w U , w T , w V , w K w_C,w_U,w_T,w_V,w_K w C , w U , w T , w V , w K 是：
E x p l i c i t N o r m a t i v e / D e s i g n C h o i c e s . \boxed{
ExplicitNormative/DesignChoices.
} E x pl i c i tN or ma t i v e / D es i g n C h o i ces . 不是自然常數。
41. Generic constraints
例如：
Recovery
P I ( G T ∈ R ) ≥ η . \boxed{
P^I(
G_T\in\mathcal R
)
\ge
\eta.
} P I ( G T ∈ R ) ≥ η . Undesired-state bound
P I ( G T ∈ U ) ≤ ϵ . \boxed{
P^I(
G_T\in\mathcal U
)
\le
\epsilon.
} P I ( G T ∈ U ) ≤ ϵ . Concentration
max k P I ( M T = m k ) ≤ κ . \boxed{
\max_k
P^I(M_T=m_k)
\le
\kappa.
} k max P I ( M T = m k ) ≤ κ . Budget
C o s t ( I ) ≤ B . \boxed{
Cost(I)\le B.
} C os t ( I ) ≤ B . Structural legality
I ∈ I l e g a l . \boxed{
I\in\mathcal I_{legal}.
} I ∈ I l e g a l . 42. Pareto frontier
如果不想預先指定單一權重，
可以找：
P a r e t o F r o n t \boxed{
ParetoFront
} P a r e t o F r o n t 對：
cost ↓；
undesired probability ↓；
TV ↓；
recovery ↑；
做 multi-objective comparison。
這比一開始就寫死：
J ( I ) J(I) J ( I ) 更透明。
然後再由 decision layer 選擇 trade-off。
43. NOOP 必須存在
安全 intervention optimizer 不應預設：
一定要做點什麼才算有用。
所以：
N O O P ∈ I . \boxed{
NOOP\in\mathcal I.
} N O O P ∈ I . 若所有非空 intervention：
I ≠ N O O P I\neq NOOP I = N O O P 都增加：
cost；
trap risk；
distribution shift；
則：
I ∗ = N O O P . \boxed{
I^*=NOOP.
} I ∗ = N O O P . 這不是 optimizer 失敗。
而是：
D o N o t I n t e r v e n e \boxed{
DoNotIntervene
} D o N o t I n t er v e n e 本身是一個有效決策。
44. 必須介入與允許不介入是兩個問題
可以定義兩個 optimization mode。
Mode A — NOOP allowed
I ∗ = arg min I ∈ I ∪ { N O O P } J ( I ) . \boxed{
I^*
=
\arg\min_{I\in\mathcal I\cup\{NOOP\}}
J(I).
} I ∗ = arg I ∈ I ∪ { N O O P } min J ( I ) . Mode B — Must intervene
I n o n e m p t y ∗ = arg min I ∈ I , I ≠ N O O P J ( I ) . \boxed{
I^*_{nonempty}
=
\arg\min_{I\in\mathcal I,\ I\neq NOOP}
J(I).
} I n o n e m pt y ∗ = arg I ∈ I , I = N O O P min J ( I ) . 兩個答案可以完全不同。
因此：
B e s t I n t e r v e n t i o n ≠ B e s t D e c i s i o n . \boxed{
BestIntervention
\neq
BestDecision.
} B es t I n t er v e n t i o n = B es t D ec i s i o n . 45. FVS 在 optimizer 中的正確位置
FVS / cycle hitting set 不應被當成：
S o l u t i o n . Solution. S o l u t i o n . 它應該放在：
C a n d i d a t e G e n e r a t i o n . \boxed{
CandidateGeneration.
} C an d i d a t e G e n er a t i o n . 即：
F V S → C a n d i d a t e C u t s → C o u n t e r f a c t u a l S c r e e n → S a f e t y F i l t e r . FVS
\rightarrow
CandidateCuts
\rightarrow
CounterfactualScreen
\rightarrow
SafetyFilter. F V S → C an d i d a t e C u t s → C o u n t er f a c t u a l S cr ee n → S a f e t y F i l t er . 所以：
F V S / C y c l e C u t ⊂ C a n d i d a t e G e n e r a t i o n . \boxed{
FVS/CycleCut
\subset
CandidateGeneration.
} F V S / C y c l e C u t ⊂ C an d i d a t e G e n er a t i o n . 這是 HSNRD v1.0 最重要的方法論收斂之一。
46. Candidate Generator
候選介入可以來自：
high loop-centrality nodes；
strong reinforcing cycle hitting sets；
high gate-importance nodes；
high sensitivity edges；
domain-specified legal interventions；
low-cost pair combinations；
NOOP。
所以 candidate space：
I = I l o o p ∪ I g a t e ∪ I s e n s i t i v i t y ∪ I d o m a i n ∪ { N O O P } . \boxed{
\mathcal I
=
\mathcal I_{loop}
\cup
\mathcal I_{gate}
\cup
\mathcal I_{sensitivity}
\cup
\mathcal I_{domain}
\cup
\{NOOP\}.
} I = I l oo p ∪ I g a t e ∪ I se n s i t i v i t y ∪ I d o main ∪ { N O O P } . 47. Screen → Confirm
Monte Carlo counterfactual optimization 若候選很多，
可以兩階段。
Screening
低成本：
較少 runs；
粗步長；
快速 elimination。
Confirmation
對 shortlist：
更多 paired runs；
更小 timestep；
bootstrap confidence；
robustness tests。
因此：
C h e a p S c r e e n → H i g h P r e c i s i o n C o n f i r m a t i o n . \boxed{
CheapScreen
\rightarrow
HighPrecisionConfirmation.
} C h e a pS cr ee n → H i g h P r ec i s i o n C o n f i r ma t i o n . 這比對所有候選一開始就做大量 simulation 更實用。
48. Uncertainty 必須保留
Monte Carlo outcome：
p ^ \hat p p ^ 不是精確概率。
所以應報告：
sample size；
confidence / bootstrap interval；
random seed strategy；
timestep sensitivity。
因此：
E s t i m a t e d S a f e ≠ P r o v e d S a f e . \boxed{
EstimatedSafe
\neq
ProvedSafe.
} E s t ima t e d S a f e = P r o v e d S a f e . production-grade safety 還需要：
formal reachability；
verified bounds；
robust control；
uncertainty set。
49. 工程 v0.9 / v1.0 的 synthetic evidence
前期 toy HSNRD runtime 已提供幾個非常重要的 construction examples。
它們不是現實政治資料。
只證明：
本方法描述的 failure mode 在一個具體可執行混合模型中可以出現。
其中包括：
Balanced regime：Cut SplitEA
介入後：
P ( P e r m a n e n t ) ≈ 0.99. P(Permanent)\approx0.99. P ( P er man e n t ) ≈ 0.99. 原本想切斷某個重要路徑，
卻幾乎把系統鎖進 permanent macrostate。
Balanced hitting set
切：
{ D e a t h E C , M e r g e E C B , R e t y p e E C } \{DeathEC,MergeEC_B,RetypeEC\} { D e a t h E C , M er g e E C B , R e t y p e E C } 後：
P ( T e m p o r a r y ) = 1 P(Temporary)=1 P ( T e m p or a r y ) = 1 於 toy confirmation 中形成 temporary trap。
Capture regime：Cut BirthEC
系統：
P ( O r d i n a r y ) = 1. P(Ordinary)=1. P ( O r d ina r y ) = 1. 這降低了 permanent outcome，
但 terminal concentration：
= 1 =1 = 1 因此仍違反示範 safety constraint。
Capture regime：Cut SplitEA
則：
P ( P e r m a n e n t ) = 1. P(Permanent)=1. P ( P er man e n t ) = 1. 這些共同展示：
B r e a k S t r o n g L o o p s ⇏ D e s i r a b l e O u t c o m e . \boxed{
BreakStrongLoops
\not\Rightarrow
DesirableOutcome.
} B r e ak S t r o n g L oo p s ⇒ D es i r ab l e O u t co m e . 50. 「Ordinary」標籤也不等於安全
如果：
P ( O r d i n a r y ) = 1 , P(Ordinary)=1, P ( O r d ina r y ) = 1 , 看起來可能是好結果。
但如果這是因為：
B i r t h Birth B i r t h 被完全禁止，
系統其實失去：
在真正 crisis 下生成必要新機構
的能力。
所以：
D e s i r a b l e L a b e l ≠ S a f e S t r u c t u r a l O u t c o m e . \boxed{
DesirableLabel
\neq
SafeStructuralOutcome.
} D es i r ab l e L ab e l = S a f e S t r u c t u r a l O u t co m e . 這和第一部：
D e s c r i p t i v e ≠ N o r m a t i v e Descriptive
\neq
Normative D escr i pt i v e = N or ma t i v e 的區分完全一致。
51. NOOP 的 toy result
在 v1.0 示範權重下，
三個 synthetic regimes 的確認結果都出現：
J ( N O O P ) < J ( I n o n e m p t y ∗ ) . \boxed{
J(NOOP)
<
J(I^*_{nonempty}).
} J ( N O O P ) < J ( I n o n e m pt y ∗ ) . 因此：
I ∗ = N O O P . \boxed{
I^*=NOOP.
} I ∗ = N O O P . 這不是要證明：
現實世界最好永遠不要介入。
而是證明：
一個安全 optimizer 若真的允許 NOOP，可能合理拒絕所有非必要結構介入。
52. Cross-regime robustness
若希望同一 intervention：
I I I 在多個 regime：
r 1 , … , r n r_1,\ldots,r_n r 1 , … , r n 都安全，
可要求：
I ∈ ⋂ r I s a f e ( r ) . \boxed{
I
\in
\bigcap_r
\mathcal I_{safe}^{(r)}.
} I ∈ r ⋂ I s a f e ( r ) . 或最小化：
max r J r ( I ) . \boxed{
\max_r
J_r(I).
} r max J r ( I ) . 這是：
R o b u s t I n t e r v e n t i o n . \boxed{
RobustIntervention.
} R o b u s t I n t er v e n t i o n . 但如果 regimes 只是 toy profiles，
robustness 也只在這個 synthetic family 內成立。
53. Feedback graph 不能取代 original model
feedback graph：
F \mathcal F F 只是：
D i a g n o s t i c A b s t r a c t i o n . \boxed{
DiagnosticAbstraction.
} D ia g n os t i c A b s t r a c t i o n . 真正 outcome 仍由：
M = ( F , λ , R , P ) \mathcal M
=
(F,\lambda,R,\mathcal P) M = ( F , λ , R , P ) 決定。
所以：
F e e d b a c k G r a p h ≠ G e n e r a t i v e M o d e l . \boxed{
FeedbackGraph
\neq
GenerativeModel.
} F ee d ba c k G r a p h = G e n er a t i v e M o d e l . 這和 HSNRD II 的 projection principle 完全一致。
54. Spectral radius 也不能被誤當 stability theorem
若把 normalized feedback graph 寫成 adjacency：
W F , W_F, W F , 可以計算：
ρ ( W F ) \rho(W_F) ρ ( W F ) 或：
max ℜ σ ( W F ) . \max\Re\sigma(W_F). max ℜ σ ( W F ) . 這些是 graph diagnostics。
但：
ρ ( W F ) > 1 \boxed{
\rho(W_F)>1
} ρ ( W F ) > 1 不等於：
PDMP 系統局部 unstable。
真正 local stability：
J e f f J_{\mathrm{eff}} J eff 才是更直接的線性化對象。
因此：
F e e d b a c k A d j a c e n c y S p e c t r u m ≠ D y n a m i c a l S t a b i l i t y S p e c t r u m . \boxed{
FeedbackAdjacencySpectrum
\neq
DynamicalStabilitySpectrum.
} F ee d ba c k A d j a ce n cy S p ec t r u m = D y nami c a l S t abi l i t y S p ec t r u m . 55. Structural sensitivity 與 differential sensitivity
一個 intervention 可以：
微小改變 hazard
∂ λ ∂ θ . \frac{\partial\lambda}{\partial\theta}. ∂ θ ∂ λ . 這是 differential sensitivity。
也可以：
直接關閉 rule domain
D o m ( ρ ) → ∅ . Dom(\rho)\rightarrow\varnothing. D o m ( ρ ) → ∅ . 這是 structural sensitivity。
兩者不可只用同一 Jacobian。
所以：
D i f f e r e n t i a l S e n s i t i v i t y ≠ S t r u c t u r a l S e n s i t i v i t y . \boxed{
DifferentialSensitivity
\neq
StructuralSensitivity.
} D i f f er e n t ia l S e n s i t i v i t y = S t r u c t u r a l S e n s i t i v i t y . PDMP sensitivity literature 對離散與連續 contributions 分離的做法，正好提供一個相鄰的數學參照。
56. Safe intervention 不是只看局部穩定
甚至：
α ( J e f f ) < 0 \alpha(J_{\mathrm{eff}})<0 α ( J eff ) < 0 也不夠。
因為 system 可以局部穩定在：
B a d A t t r a c t o r / T r a p . \boxed{
BadAttractor/Trap.
} B a d A tt r a c t or / T r a p . 所以：
L o c a l S t a b i l i t y ≠ G l o b a l S a f e t y . \boxed{
LocalStability
\neq
GlobalSafety.
} L oc a l S t abi l i t y = Gl o ba l S a f e t y . 必須再看：
reachable sets；
invariant sets；
absorbing classes；
pathwise risk。
57. 也不是只看 terminal distribution
terminal distribution 看不到：
中途是否曾進入 forbidden region？
所以：
T e r m i n a l S a f e ⇏ P a t h w i s e S a f e . \boxed{
TerminalSafe
\not\Rightarrow
PathwiseSafe.
} T er mina l S a f e ⇒ P a t h w i se S a f e . 真正 production HSNRD optimizer 最終應接：
reach-avoid probability；
chance constraints；
temporal logic；
barrier / viability analysis；
等更強工具。
本篇只建立方法論接口。
58. 規範層必須保持外置
第一部已建立：
C a u s a l I m p o r t a n c e ⇏ M o r a l I m p o r t a n c e . \boxed{
CausalImportance
\not\Rightarrow
MoralImportance.
} C a u s a l I m p or t an ce ⇒ M or a l I m p or t an ce . 所以安全 optimizer 裡的：
U , R , w i , C o s t \mathcal U,
\mathcal R,
w_i,
Cost U , R , w i , C os t 不是從數學動力自動長出來。
它們必須由：
N o r m a t i v e / D e s i g n S p e c i f i c a t i o n \boxed{
Normative/DesignSpecification
} N or ma t i v e / D es i g n S p ec i f i c a t i o n 明確給定。
因此：
O p t i m i z e r \boxed{
Optimizer
} O pt imi z er 不會替研究者自動回答：
哪一個國家制度才是 morally good？
它只能回答：
在你明確定義的目標與安全條件下，哪個 intervention 在模型內表現較好？
59. HSNRD 安全介入架構
完整流程可寫：
C a n d i d a t e G e n e r a t o r \boxed{
CandidateGenerator
} C an d i d a t e G e n er a t or ⇓ \Downarrow ⇓ C o u n t e r f a c t u a l S c r e e n \boxed{
CounterfactualScreen
} C o u n t er f a c t u a l S cr ee n ⇓ \Downarrow ⇓ S t r u c t u r a l S a f e t y F i l t e r \boxed{
StructuralSafetyFilter
} S t r u c t u r a l S a f e t y F i l t er ⇓ \Downarrow ⇓ R e a c h a b i l i t y S a f e t y F i l t e r \boxed{
ReachabilitySafetyFilter
} R e a c habi l i t y S a f e t y F i l t er ⇓ \Downarrow ⇓ D i s t r i b u t i o n a l / P a t h w i s e S a f e t y F i l t e r \boxed{
Distributional/PathwiseSafetyFilter
} D i s t r ib u t i o na l / P a t h w i se S a f e t y F i l t er ⇓ \Downarrow ⇓ P a r e t o R a n k i n g \boxed{
ParetoRanking
} P a r e t o R ank in g ⇓ \Downarrow ⇓ H i g h P r e c i s i o n C o n f i r m a t i o n \boxed{
HighPrecisionConfirmation
} H i g h P r ec i s i o n C o n f i r ma t i o n ⇓ \Downarrow ⇓ N O O P C o m p a r i s o n . \boxed{
NOOPComparison.
} N O O P C o m p a r i so n . 這就是 HSNRD 最終 control layer。
60. HSNRD IV 的核心公理／限制
Axiom C1 — Feedback Type Separation
D i f f e r e n t i a l F e e d b a c k ≠ S t r u c t u r a l F e e d b a c k ≠ H y b r i d F e e d b a c k . \boxed{
DifferentialFeedback
\neq
StructuralFeedback
\neq
HybridFeedback.
} D i f f er e n t ia l F ee d ba c k = S t r u c t u r a l F ee d ba c k = H y b r i d F ee d ba c k . Axiom C2 — Loop Polarity Is Structural
R e i n f o r c i n g L o o p ⇏ L o c a l I n s t a b i l i t y . \boxed{
ReinforcingLoop
\not\Rightarrow
LocalInstability.
} R e in f or c in g L oo p ⇒ L oc a l I n s t abi l i t y . Axiom C3 — Feedback Graph Is Diagnostic
F ≠ M . \boxed{
\mathcal F
\neq
\mathcal M.
} F = M . Axiom C4 — FVS Is Not Outcome Control
F V S C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l . \boxed{
FVSControl
\neq
ReachabilityControl.
} F V S C o n t r o l = R e a c habi l i t y C o n t r o l . Axiom C5 — Gate Importance Is Distinct
I L ≠ I G . \boxed{
I_L
\neq
I_G.
} I L = I G . Axiom C6 — Cycle, Reachability, Outcome Separation
C y c l e C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l ≠ O u t c o m e C o n t r o l . \boxed{
CycleControl
\neq
ReachabilityControl
\neq
OutcomeControl.
} C y c l e C o n t r o l = R e a c habi l i t y C o n t r o l = O u t co m e C o n t r o l . Axiom C7 — Intervention Semantics Must Be Explicit
I n t e r v e n t i o n N a m e ⇏ U n i q u e O p e r a t i o n . \boxed{
InterventionName
\not\Rightarrow
UniqueOperation.
} I n t er v e n t i o n N am e ⇒ U ni q u e O p er a t i o n . Axiom C8 — Counterfactual Is Model-Based
M o d e l C o u n t e r f a c t u a l ≠ E m p i r i c a l C a u s a l I d e n t i f i c a t i o n . \boxed{
ModelCounterfactual
\neq
EmpiricalCausalIdentification.
} M o d e l C o u n t er f a c t u a l = E m p i r i c a l C a u s a l I d e n t i f i c a t i o n . Axiom C9 — Effect Is Not Value
L a r g e E f f e c t ≠ G o o d E f f e c t . \boxed{
LargeEffect
\neq
GoodEffect.
} L a r g e E f f ec t = G oo d E f f ec t . Axiom C10 — Safety Is Multi-Layered
S t r u c t u r a l S a f e t y + R e a c h a b i l i t y S a f e t y + D i s t r i b u t i o n a l S a f e t y + P a t h w i s e S a f e t y . \boxed{
StructuralSafety
+
ReachabilitySafety
+
DistributionalSafety
+
PathwiseSafety.
} S t r u c t u r a l S a f e t y + R e a c habi l i t y S a f e t y + D i s t r ib u t i o na l S a f e t y + P a t h w i se S a f e t y . Axiom C11 — NOOP Is a Valid Candidate
N O O P ∈ I . \boxed{
NOOP\in\mathcal I.
} N O O P ∈ I . Axiom C12 — Estimated Safety Is Not Formal Safety
M o n t e C a r l o S a f e ≠ P r o v e d S a f e . \boxed{
MonteCarloSafe
\neq
ProvedSafe.
} M o n t e C a r l o S a f e = P r o v e d S a f e . 61. 四篇 HSNRD 數學方法論的統一
HSNRD I：
W h a t E x i s t s A n d H o w I t R e l a t e s . \boxed{
WhatExistsAndHowItRelates.
} W ha tE x i s t s A n d H o w I tR e l a t es . HSNRD II：
H o w M i c r o B e c o m e s M a c r o . \boxed{
HowMicroBecomesMacro.
} H o w M i cr o B eco m es M a cr o . HSNRD III：
H o w S t r u c t u r e C h a n g e s T h r o u g h H i s t o r y . \boxed{
HowStructureChangesThroughHistory.
} H o w S t r u c t u r e C han g es T h r o ug h H i s t or y . HSNRD IV：
H o w F e e d b a c k A n d R e a c h a b i l i t y C o n s t r a i n S a f e I n t e r v e n t i o n . \boxed{
HowFeedbackAndReachabilityConstrainSafeIntervention.
} H o w F ee d ba c k A n d R e a c habi l i t y C o n s t r ain S a f e I n t er v e n t i o n . 因此四篇形成：
O n t o l o g y → P r o j e c t i o n → D y n a m i c s → C o n t r o l . \boxed{
Ontology
\rightarrow
Projection
\rightarrow
Dynamics
\rightarrow
Control.
} O n t o l o g y → P r o j ec t i o n → D y nami cs → C o n t r o l . 62. 與第一部高階欲求理論重新接合
現在可以重新把第一部的：
G r o u p R e f l e x i v e l y W a n t s ( S , x ) GroupReflexivelyWants(S,x) G r o u pR e f l e x i v e l y W an t s ( S , x ) 翻成數學問題。
需要：
Existence
X ( k , τ ) X^{(k,\tau)} X ( k , τ ) 合法形成。
Projection
π A \pi_A π A 保留 agency-relevant state。
Dynamics
( G t , x t ) (G_t,x_t) ( G t , x t ) 形成 persistent preference / decision / action。
Feedback
x ↔ H a z a r d ↔ R e w r i t e x
\leftrightarrow
Hazard
\leftrightarrow
Rewrite x ↔ H a z a r d ↔ R e w r i t e 形成 goal-tracking closure。
Reachability
系統真的存在：
A c t i o n P a t h → G o a l R e l e v a n t S t a t e s . ActionPath
\rightarrow
GoalRelevantStates. A c t i o n P a t h → G o a l R e l e v an tS t a t es . 因此：
W a n t \boxed{
Want
} W an t 不再只是自然語言 predicate，
而能拆解成一組 dynamical conditions。
63. Leviathan Reversal 也得到完整數學接口
第五篇定義：
L S = ( D P , S D , E L , R D ) . \mathbf L_S
=
(
D_P,S_D,E_L,R_D
). L S = ( D P , S D , E L , R D ) . 現在：
Purpose Drift
進入：
x t x_t x t 中的 objective state。
Self-Preservation Dominance
影響：
λ ρ ( G , x ) . \lambda_\rho(G,x). λ ρ ( G , x ) . Exit Loss
表現為：
R e a c h ( G , R ) ↓ . Reach(
G,\mathcal R
)\downarrow. R e a c h ( G , R ) ↓ . Downward Reshaping
進入：
F G F_G F G 與：
R ρ . R_\rho. R ρ . 所以：
L e v i a t h a n R e v e r s a l \boxed{
LeviathanReversal
} L e v ia t han R e v er s a l 可以被表示為：
feedback topology、hazard field 與 reachability topology 共同發生 regime transition。
64. 為什麼這比單一 LRI 更成熟？
早期 LRI：
L R I = D i v e r g e n c e × S e l f R e f e r e n c e × A s y m m e t r y × C o h e r e n c e LRI
=
Divergence
\times
SelfReference
\times
Asymmetry
\times
Coherence L R I = D i v er g e n ce × S e l f R e f er e n ce × A sy mm e t r y × C o h er e n ce 可以當 synthetic diagnostic。
但完整 HSNRD 顯示：
O n e S c a l a r \boxed{
OneScalar
} O n e S c a l a r 不可能同時完整代表：
loop structure；
reachability；
agent preference；
legitimacy；
trap risk。
因此 LRI 類 scalar 最適合：
M o n i t o r i n g I n d i c a t o r . \boxed{
MonitoringIndicator.
} M o ni t or in g I n d i c a t or . 不是：
C o m p l e t e T h e o r y . \boxed{
CompleteTheory.
} C o m pl e t e T h eor y . 65. HSNRD 的完整對象
現在可以把整套狀態寫成：
H t = ( G t , x t , Π t , B t , P t , N t ) . \boxed{
\mathbb H_t
=
(
G_t,
x_t,
\Pi_t,
\mathcal B_t,
\mathcal P_t,
\mathcal N_t
).
} H t = ( G t , x t , Π t , B t , P t , N t ) . 其中：
G t G_t G t x t x_t x t Π t \Pi_t Π t B t \mathcal B_t B t P t \mathcal P_t P t N t \mathcal N_t N t
動力：
H t → H t + Δ t \boxed{
\mathbb H_t
\rightarrow
\mathbb H_{t+\Delta t}
} H t → H t + Δ t 可以同時改變：
state；
topology；
type；
projection；
grammar。
66. HSNRD 不再是一個「國家模型」
這一點必須在全系列最後明確說明。
雖然 Leviathan / state 是主要 toy domain，
HSNRD 的數學結構並不限定：
τ = S t a t e . \tau=State. τ = S t a t e . 它可以建模：
公司；
科研組織；
AI multi-agent systems；
機器人群；
生物組織；
軟體 service graph；
生態制度；
跨組織治理。
只要存在：
H i e r a r c h i c a l C o n s t i t u t i o n + T y p e d R e l a t i o n s + S t r u c t u r a l R e w r i t e + H y b r i d D y n a m i c s . \boxed{
HierarchicalConstitution
+
TypedRelations
+
StructuralRewrite
+
HybridDynamics.
} H i er a r c hi c a l C o n s t i t u t i o n + T y p e d R e l a t i o n s + S t r u c t u r a l R e w r i t e + H y b r i d D y nami cs . 67. HSNRD 也不是普遍萬物理論
同樣不能反向誇大。
HSNRD 是：
M o d e l i n g M e t h o d o l o g y . \boxed{
ModelingMethodology.
} M o d e l in g M e t h o d o l o g y . 不是：
所有社會、物理、生物現象都必須用 HSNRD 描述。
若研究問題只需要：
ordinary ODE；
simple graph；
Bayesian model；
就不應強行加入：
B i r t h / D e a t h / P D M P / F V S . Birth/Death/PDMP/FVS. B i r t h / D e a t h / P D M P / F V S . 因此：
U s e O n l y T h e S t r u c t u r e R e q u i r e d B y T h e Q u e s t i o n . \boxed{
UseOnlyTheStructureRequiredByTheQuestion.
} U se O n l y T h e S t r u c t u r e R e q u i r e d B y T h e Q u es t i o n . 是最後一條方法論節制。
68. 完整 HSNRD 方法鏈
最後，整個第二部可以濃縮成：
S e t \boxed{
Set
} S e t ⇓ \Downarrow ⇓ T y p e d S e t N o d e \boxed{
TypedSetNode
} T y p e d S e tN o d e ⇓ \Downarrow ⇓ I n c i d e n c e / R e a l i z a t i o n \boxed{
Incidence/Realization
} I n c i d e n ce / R e a l i z a t i o n ⇓ \Downarrow ⇓ R e l a t i o n B u n d l e / M u l t i l a y e r G r a p h \boxed{
RelationBundle/MultilayerGraph
} R e l a t i o n B u n d l e / M u l t i l a y er G r a p h ⇓ \Downarrow ⇓ P r o j e c t i o n / C o a r s e G r a i n i n g \boxed{
Projection/CoarseGraining
} P r o j ec t i o n / C o a r se G r ainin g ⇓ \Downarrow ⇓ G r a p h R e w r i t e \boxed{
GraphRewrite
} G r a p h R e w r i t e ⇓ \Downarrow ⇓ R u l e C o m p o s i t i o n / R e a c h a b i l i t y \boxed{
RuleComposition/Reachability
} R u l e C o m p os i t i o n / R e a c habi l i t y ⇓ \Downarrow ⇓ C T M C \boxed{
CTMC
} C T M C ⇓ \Downarrow ⇓ P D M P \boxed{
PDMP
} P D M P ⇓ \Downarrow ⇓ S e n s i t i v i t y / F e e d b a c k G r a p h \boxed{
Sensitivity/FeedbackGraph
} S e n s i t i v i t y / F ee d ba c k G r a p h ⇓ \Downarrow ⇓ P a t h G a t e / R e a c h a b i l i t y \boxed{
PathGate/Reachability
} P a t h G a t e / R e a c habi l i t y ⇓ \Downarrow ⇓ C o u n t e r f a c t u a l I n t e r v e n t i o n \boxed{
CounterfactualIntervention
} C o u n t er f a c t u a l I n t er v e n t i o n ⇓ \Downarrow ⇓ C o n s t r a i n e d S a f e O p t i m i z a t i o n . \boxed{
ConstrainedSafeOptimization.
} C o n s t r ain e d S a f e O pt imi z a t i o n . 69. 全系列的最終統一式
第一部處理：
W h a t D o e s A H i g h e r O r d e r E n t i t y M e a n W h e n I t W a n t s ? \boxed{
WhatDoesAHigherOrderEntityMeanWhenItWants?
} W ha t D oes A H i g h er O r d er E n t i t y M e anW h e n I t W an t s ? 第二部處理：
H o w C a n S u c h A n E n t i t y B e R e p r e s e n t e d A n d D y n a m i c a l l y T e s t e d ? \boxed{
HowCanSuchAnEntityBeRepresentedAndDynamicallyTested?
} H o w C an S u c h A n E n t i t y B e R e p r ese n t e d A n d D y nami c a l l y T es t e d ? 因此全系列最終可寫：
H i g h e r O r d e r S u b j e c t = E x i s t e n c e S t r u c t u r e + P r o j e c t i o n + A g e n c y C l o s u r e + H i s t o r i c a l R e w r i t e + F e e d b a c k + R e a c h a b i l i t y . \boxed{
HigherOrderSubject
=
ExistenceStructure
+
Projection
+
AgencyClosure
+
HistoricalRewrite
+
Feedback
+
Reachability.
} H i g h er O r d er S u bj ec t = E x i s t e n ce S t r u c t u r e + P r o j ec t i o n + A g e n cy C l os u r e + H i s t or i c a l R e w r i t e + F ee d ba c k + R e a c habi l i t y . 而：
N o r m a t i v e P r i o r i t y \boxed{
NormativePriority
} N or ma t i v e P r i or i t y 仍然外置，
不能由以上結構自動推導。
70. 結論
HSNRD 最終得到的，不是一個：
找到最強 feedback 然後切掉它
的控制方法。
而是一個更保守的原則：
I n t e r v e n e O n l y A f t e r U n d e r s t a n d i n g F e e d b a c k + R e a c h a b i l i t y + C o u n t e r f a c t u a l O u t c o m e + S a f e t y C o n s t r a i n t s . \boxed{
InterveneOnlyAfterUnderstanding
Feedback
+
Reachability
+
CounterfactualOutcome
+
SafetyConstraints.
} I n t er v e n e O n l y A f t er U n d er s t an d in g F ee d ba c k + R e a c habi l i t y + C o u n t er f a c t u a l O u t co m e + S a f e t y C o n s t r ain t s . Feedback graph 告訴我們：
哪些 closed causal structures 正在作用。
Reachability graph 告訴我們：
哪些未來仍然可走。
Path gates 告訴我們：
哪些節點／規則控制入口與出口。
Counterfactual runtime 告訴我們：
改變後概率質量可能去哪裡。
Safe optimizer 最後才問：
在明確安全與成本約束下，哪個 intervention 值得選？
因此：
C y c l e C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l ≠ O u t c o m e C o n t r o l . \boxed{
CycleControl
\neq
ReachabilityControl
\neq
OutcomeControl.
} C y c l e C o n t r o l = R e a c habi l i t y C o n t r o l = O u t co m e C o n t r o l . 而：
B r e a k A l l S t r o n g R e i n f o r c i n g L o o p s ⇏ D e s i r a b l e O u t c o m e . \boxed{
BreakAllStrongReinforcingLoops
\not\Rightarrow
DesirableOutcome.
} B r e ak A l l S t r o n g R e in f or c in g L oo p s ⇒ D es i r ab l e O u t co m e . 甚至：
B r e a k L o o p s ⇒ C r e a t e A b s o r b i n g T r a p \boxed{
BreakLoops
\Rightarrow
CreateAbsorbingTrap
} B r e ak L oo p s ⇒ C r e a t e A b sor bin g T r a p 完全可能。
因此 NOOP 必須永遠保留：
I ∗ = N O O P \boxed{
I^*=NOOP
} I ∗ = N O O P 有時正是理性的安全答案。
至此，HSNRD 的數學方法論完成：
S e t → T y p e d G r a p h → P r o j e c t i o n → R e w r i t e → C T M C → P D M P → S e n s i t i v i t y → F e e d b a c k → R e a c h a b i l i t y → C o u n t e r f a c t u a l → S a f e O p t i m i z a t i o n . \boxed{
Set
\rightarrow
TypedGraph
\rightarrow
Projection
\rightarrow
Rewrite
\rightarrow
CTMC
\rightarrow
PDMP
\rightarrow
Sensitivity
\rightarrow
Feedback
\rightarrow
Reachability
\rightarrow
Counterfactual
\rightarrow
SafeOptimization.
} S e t → T y p e d G r a p h → P r o j ec t i o n → R e w r i t e → C T M C → P D M P → S e n s i t i v i t y → F ee d ba c k → R e a c habi l i t y → C o u n t er f a c t u a l → S a f e O pt imi z a t i o n . 而整個十篇系列也完成了從哲學問題：
「國家、文明與制度真的能『想要』嗎？」
到數學問題：
「一個高階集合如何形成、持續、投影、改寫、行動、回饋、被介入，並保持可檢驗的安全條件？」
的完整轉換。
參考文獻
Bai, T., Cao, Y., & Xiao, M. (2026). “Feedback Set Problems on Bounded-Degree (Planar) Graphs.” arXiv:2605.11407.
Bao, L., et al. (2018). Work on feedback-vertex-set-based control of nonlinear networks.
Czapla, D. (2024). “On the Existence and Uniqueness of Stationary Distributions for Some Piecewise Deterministic Markov Processes with State-Dependent Jump Intensity.” Results in Mathematics , 79, 177.
Ford, A. (2019). “A System Dynamics Glossary.” System Dynamics Review .
Gupta, A., & Khammash, M. (2018). “Sensitivity Analysis for Multiscale Stochastic Reaction Networks Using Hybrid Approximations.” arXiv:1801.04708.
Mochizuki, A., Fiedler, B., Kurosawa, G., & Saito, D. (2013). “Dynamics and Control at Feedback Vertex Sets. II: A Faithful Monitor to Determine the Diversity of Molecular Activities in Regulatory Networks.” Journal of Theoretical Biology , 335, 130–146.
Montalva, M., Aracena, J., & Gajardo, A. (2008). “On the Complexity of Feedback Set Problems in Signed Digraphs.” Electronic Notes in Discrete Mathematics , 30, 249–254.
Sun, Y., Zhao, W., & Zhou, J. (2021). “Structural Interventions in Networks.” arXiv:2101.12420.
Behr, N. (2021). “On Stochastic Rewriting and Combinatorics via Rule-Algebraic Methods.” arXiv:2102.02364.
Davis, M. H. A. (1984). “Piecewise-Deterministic Markov Processes: A General Class of Non-Diffusion Stochastic Models.” Journal of the Royal Statistical Society, Series B , 46(3), 353–376.
本篇核心命題表
編號
命題
C1
D i f f e r e n t i a l F e e d b a c k ≠ S t r u c t u r a l F e e d b a c k ≠ H y b r i d F e e d b a c k DifferentialFeedback\neq StructuralFeedback\neq HybridFeedback D i f f er e n t ia l F ee d ba c k = S t r u c t u r a l F ee d ba c k = H y b r i d F ee d ba c k
C2
N e g a t i v e E d g e ⇏ B a l a n c i n g L o o p NegativeEdge\not\Rightarrow BalancingLoop N e g a t i v e E d g e ⇒ B a l an c in g L oo p
C3
R e i n f o r c i n g L o o p ⇏ L o c a l I n s t a b i l i t y ReinforcingLoop\not\Rightarrow LocalInstability R e in f or c in g L oo p ⇒ L oc a l I n s t abi l i t y
C4
F e e d b a c k G r a p h ≠ G e n e r a t i v e M o d e l FeedbackGraph\neq GenerativeModel F ee d ba c k G r a p h = G e n er a t i v e M o d e l
C5
F e e d b a c k A d j a c e n c y S p e c t r u m ≠ D y n a m i c a l S t a b i l i t y S p e c t r u m FeedbackAdjacencySpectrum\neq DynamicalStabilitySpectrum F ee d ba c k A d j a ce n cy S p ec t r u m = D y nami c a l S t abi l i t y S p ec t r u m
C6
F V S / C y c l e C u t ⊂ C a n d i d a t e G e n e r a t i o n FVS/CycleCut\subset CandidateGeneration F V S / C y c l e C u t ⊂ C an d i d a t e G e n er a t i o n
C7
L o o p I m p o r t a n c e ≠ G a t e I m p o r t a n c e LoopImportance\neq GateImportance L oo p I m p or t an ce = G a t e I m p or t an ce
C8
L o w L o o p I m p o r t a n c e ⇏ L o w O u t c o m e I m p o r t a n c e LowLoopImportance\not\Rightarrow LowOutcomeImportance L o w L oo p I m p or t an ce ⇒ L o w O u t co m e I m p or t an ce
C9
F e e d b a c k F r e e ≠ H e a l t h y ≠ A d a p t i v e FeedbackFree\neq Healthy\neq Adaptive F ee d ba c k F r ee = H e a l t h y = A d a pt i v e
C10
C y c l e C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l ≠ O u t c o m e C o n t r o l CycleControl\neq ReachabilityControl\neq OutcomeControl C y c l e C o n t r o l = R e a c habi l i t y C o n t r o l = O u t co m e C o n t r o l
C11
B r e a k S t r o n g L o o p s ⇏ D e s i r a b l e O u t c o m e BreakStrongLoops\not\Rightarrow DesirableOutcome B r e ak S t r o n g L oo p s ⇒ D es i r ab l e O u t co m e
C12
B r e a k L o o p s ⇒ C r e a t e A b s o r b i n g T r a p BreakLoops\Rightarrow CreateAbsorbingTrap B r e ak L oo p s ⇒ C r e a t e A b sor bin g T r a p
C13
M o d e l C o u n t e r f a c t u a l ≠ E m p i r i c a l C a u s a l I d e n t i f i c a t i o n ModelCounterfactual\neq EmpiricalCausalIdentification M o d e l C o u n t er f a c t u a l = E m p i r i c a l C a u s a l I d e n t i f i c a t i o n
C14
E f f e c t S i z e ≠ D e s i r a b i l i t y EffectSize\neq Desirability E f f ec tS i z e = D es i r abi l i t y
C15
T e r m i n a l S a f e t y ≠ P a t h w i s e S a f e t y TerminalSafety\neq PathwiseSafety T er mina l S a f e t y = P a t h w i se S a f e t y
C16
E s t i m a t e d S a f e ≠ P r o v e d S a f e EstimatedSafe\neq ProvedSafe E s t ima t e d S a f e = P r o v e d S a f e
C17
B e s t I n t e r v e n t i o n ≠ B e s t D e c i s i o n BestIntervention\neq BestDecision B es t I n t er v e n t i o n = B es t D ec i s i o n
C18
N O O P ∈ I NOOP\in\mathcal I N O O P ∈ I
C19
C a u s a l I m p o r t a n c e ⇏ M o r a l I m p o r t a n c e CausalImportance\not\Rightarrow MoralImportance C a u s a l I m p or t an ce ⇒ M or a l I m p or t an ce
C20
Safe intervention requires feedback, reachability, outcome and explicit normative constraints
全系列最終核心命題總表
區域
核心命題
高階存在
H i g h e r O r d e r E x i s t e n c e ≠ H i g h e r O r d e r A g e n c y HigherOrderExistence\neq HigherOrderAgency H i g h er O r d er E x i s t e n ce = H i g h er O r d er A g e n cy
欲求語義
P r e f e r e n c e ≠ I n t e n t i o n ≠ P r o p e n s i t y Preference\neq Intention\neq Propensity P r e f er e n ce = I n t e n t i o n = P r o p e n s i t y
群體欲求
G r o u p W a n t ≠ ∑ i I n d i v i d u a l W a n t i GroupWant\neq\sum_i IndividualWant_i G r o u p W an t = ∑ i I n d i v i d u a l W an t i
自主性
S u p e r v e n i e n c e ≠ R e d u c t i o n ≠ A u t o n o m y Supervenience\neq Reduction\neq Autonomy S u p er v e ni e n ce = R e d u c t i o n = A u t o n o m y
正當性
E x i s t e n c e ⇏ A g e n c y ⇏ L e g i t i m a c y Existence\not\Rightarrow Agency\not\Rightarrow Legitimacy E x i s t e n ce ⇒ A g e n cy ⇒ L e g i t ima cy
Leviathan
P e r s i s t e n c e ≠ E n t r e n c h m e n t Persistence\neq Entrenchment P er s i s t e n ce = E n t r e n c hm e n t
結構本體
C o n s t i t u t i o n ≠ I n t e r a c t i o n Constitution\neq Interaction C o n s t i t u t i o n = I n t er a c t i o n
自環合法性
G r a p h S e l f L o o p ≠ M e m b e r s h i p S e l f R e f e r e n c e GraphSelfLoop\neq MembershipSelfReference G r a p h S e l f L oo p = M e mb er s hi pS e l f R e f er e n ce
投影
G o o d P r o j e c t i o n ≠ L o s s l e s s P r o j e c t i o n GoodProjection\neq LosslessProjection G oo d P r o j ec t i o n = L oss l ess P r o j ec t i o n
動力封閉
M a r k o v M i c r o ⇏ M a r k o v M a c r o MarkovMicro\not\Rightarrow MarkovMacro M a r k o v M i cr o ⇒ M a r k o v M a cr o
歷史
F i n a l S t a t e ≠ H i s t o r y FinalState\neq History F ina l S t a t e = H i s t or y
結構重寫
C l a s s i c a l L i n e a r D P O ≠ A l l S t r u c t u r a l R e w r i t e ClassicalLinearDPO\neq AllStructuralRewrite C l a ss i c a l L in e a r D P O = A l l S t r u c t u r a l R e w r i t e
隨機歷史
R e a c h a b l e ≠ L i k e l y ≠ R e a l i z e d Reachable\neq Likely\neq Realized R e a c hab l e = L ik e l y = R e a l i z e d
Feedback
R e i n f o r c i n g L o o p ⇏ L o c a l I n s t a b i l i t y ReinforcingLoop\not\Rightarrow LocalInstability R e in f or c in g L oo p ⇒ L oc a l I n s t abi l i t y
控制
C y c l e C o n t r o l ≠ R e a c h a b i l i t y C o n t r o l ≠ O u t c o m e C o n t r o l CycleControl\neq ReachabilityControl\neq OutcomeControl C y c l e C o n t r o l = R e a c habi l i t y C o n t r o l = O u t co m e C o n t r o l
安全
B r e a k L o o p s ⇒ C r e a t e A b s o r b i n g T r a p BreakLoops\Rightarrow CreateAbsorbingTrap B r e ak L oo p s ⇒ C r e a t e A b sor bin g T r a p
介入
B e s t I n t e r v e n t i o n ≠ B e s t D e c i s i o n BestIntervention\neq BestDecision B es t I n t er v e n t i o n = B es t D ec i s i o n
規範
C a u s a l I m p o r t a n c e ⇏ M o r a l I m p o r t a n c e CausalImportance\not\Rightarrow MoralImportance C a u s a l I m p or t an ce ⇒ M or a l I m p or t an ce
系列：高階集合、欲求與 Leviathan / HSNRD 完整数學方法論 第二部：HSNRD 完整数學方法論 篇次：10 / 10 狀態：全系列完成