title: "判定域概率論：概率之前的容器、空間與量詞" english_title: "Judgment-Domain Probability Theory: Containers, Spaces, and Quantifier Scope Prior to Probability" series: "判定域概率論與超概率研究" series_id: "JDPSP" paper_id: "JDPSP-02" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "研究初稿 / axiomatic proposal" date: "2026-08-13" language: "zh-TW"

判定域概率論：概率之前的容器、空間與量詞

Judgment-Domain Probability Theory: Containers, Spaces, and Quantifier Scope Prior to Probability

作者： Neo.K
機構： EveMissLab
系列： 判定域概率論與超概率研究，Paper 02
版本： v0.1.0
日期： 2026-08-13

摘要

標準測度論概率以概率空間

(\Omega,\mathcal F,P)

為基本對象，其中 $\Omega$ 是樣本空間， $\mathcal F$ 是事件的 $\sigma$ -代數，而 $P$ 是概率測度。本文不否定此框架，也不主張傳統概率論「沒有定義域」。相反地，本文將研究問題前移一階：當一個科學、統計、人工智能或多尺度系統被表示為某個概率空間之前，研究者如何聲明「目前正在判定哪一個對象集合、哪一個尺度、哪一個觀測與建模語境」？當兩個形式上同構的概率空間指涉不同參考集合時，裸寫的 $P(A)=p$ 是否足以承載其科學語義？當局部概率要被提升為宏觀或全域概率時，需要哪些可檢查的轉換見證？

本文提出「判定域」（judgment domain）作為一個前概率索引結構。其最小形式為

\mathfrak D=(X,\Sigma;\kappa),

其中 $(X,\Sigma)$ 是可測表示，而

\kappa=(r,s,c)

記錄參考範圍 $r$ 、尺度 $s$ 與觀測／模型語境 $c$ 。概率不再被視為脫離域的裸函數，而寫為

P_{\mathfrak D}:\Sigma\rightarrow[0,1].

本文進一步提出「域型別原則」、「全域顯式原則」與「跨域轉移見證原則」：當概率陳述跨越兩個判定域時，應明示 restriction、conditioning、pushforward、Markov kernel、extension 或 gluing 等合法轉移；若沒有此類見證，局部概率不能僅靠語言省略而被讀成全域概率。

本文證明一個基本的「局部延伸不唯一命題」：即使一個局部概率模型完全固定，只要外部補空間仍具有自由度，就一般存在多個不同的全域概率測度，其條件化後都回到同一局部概率。因此

P_{\mathfrak D_{\mathrm{local}}}

本身通常不足以唯一決定

P_{\mathfrak D_{\mathrm{global}}}.

此命題不是對 sheaf-theoretic contextuality、probability sheaves 或 Markov categories 的重新命名。既有研究已深入處理局部資料的 global-section obstruction、隨 sample spaces 變化的概率概念，以及 kernel、conditioning 與 disintegration 的範疇結構。本文的新增研究層位於它們之前與它們之間：將形式可測空間與其科學判定索引分離，並把跨尺度、跨參考集合與跨語境的概率推論改寫成具型別的轉移問題。

關鍵詞： 判定域、概率空間、樣本空間、參考集合、尺度、語境、局部概率、全域概率、pushforward、Markov kernel、local-to-global、概率 sheaf、contextuality

1. 研究定位：不是替代 Kolmogorov，而是補上概率空間之前的型別層

Paper 01 已區分概率的三個不同問題：

\mathfrak S = (\mathcal I,\mathcal R,\mathcal M),

其中 $\mathcal I$ 表示概率解釋， $\mathcal R$ 表示推斷規則， $\mathcal M$ 表示數學承載結構。

本文進一步加入第四個問題：

\mathcal D: \quad \text{目前是哪一個判定域？}

因此，本文關注的不是 Bayesian 與 frequentist 之爭，也不是以某個廣義測度取代 Kolmogorov 測度，而是問：在概率形式開始運作以前，究竟是哪一個對象集合、哪一個尺度、哪一個參考範圍與哪一個觀測語境被送入概率模型？

標準概率論已經精確給出：

(\Omega,\mathcal F,P).

因此本文明確拒絕：

\boxed{ \text{「傳統概率論沒有定義域」} }

真正的研究問題是：

\boxed{ \text{形式域已存在，但其科學判定索引通常不是概率公理的一部分。} }

這裡的「科學判定索引」至少包含：

形式空間代表哪一個現實參考集合；
目前觀察的是哪一個尺度；
哪些資料生成、觀測、抽樣與模型條件被固定；
若從一個域轉到另一個域，轉換是否具有合法數學見證。

本文因而不是增加一條新的 probability axiom，而是提出一個位於 probability-space specification 之前與其外部的 typed modeling layer。

2. 既有理論邊界：哪些東西不能宣稱是本文首次提出？

2.1 概率隨 sample space 變化不是新命題

Probability sheaves 已直接研究概率概念與 sample spaces 之間的關係，並將 random variables、probability measures 等組織為 sample-space site 上的 sheaf 結構。

因此本文不能宣稱：

\boxed{ \text{首次讓概率依賴不同 sample spaces} }

本文真正加入的是：對每個形式 sample space 再附加顯式的科學判定索引。

2.2 局部資料可能無法黏成全域概率不是新命題

Sheaf-theoretic contextuality 已把 nonlocality 與 contextuality 表為 global section 的不存在，並用 compatible local distributions 與 global realizability 描述 local-to-global obstruction。

近期 preparation-contextuality 工作又進一步研究局部 preparation statistics 是否能經由 admissible stochastic extension 形成單一 global response representation。

因此本文不能宣稱：

\boxed{ \text{首次發現 local probability 不一定能提升到 global probability} }

本文要處理的是較一般的「域型別」問題：即使不存在 contextuality，也不能在沒有指定轉移的情況下，把一個局部域中的概率數字語言上直接升格為另一個域的概率數字。

2.3 概率轉換可以用 kernel 與範疇語言描述不是新命題

Markov kernels、disintegration、conditional probability 與 Markov categories 已提供成熟的數學工具。

因此本文不發明新的 pushforward，也不發明新的 kernel。

本文的問題是：

\boxed{ \text{何時有資格使用哪一種既有轉移？} }

判定域框架主要增加的是 typing、scope declaration 與 transport admissibility。

3. 前概率層：形式空間與科學指涉必須分開

3.1 形式樣本空間不等於現實參考範圍

考慮兩個研究：

某醫院重症病房中的治療成功率；
某國所有同類患者的治療成功率。

兩者都可能使用同一個形式 outcome space：

X = \{ \mathrm{success}, \mathrm{failure} \}.

甚至事件 $\sigma$ -代數也完全相同：

\Sigma = 2^X.

然而，兩個概率陳述的科學指涉不同。

因此，僅知道：

(X,\Sigma)

不足以辨識：

\text{「這個概率是在談誰？」}

這正是本文把「參考範圍」從形式樣本空間中獨立抽出的原因。

3.2 判定索引

定義 3.1：判定索引

令：

\mathcal R

為參考範圍類型的集合或更一般的 category，

\mathcal S

為尺度索引集合或尺度偏序，

\mathcal C

為觀測／建模語境的集合或 category。

定義：

\kappa = (r,s,c) \in \mathcal R \times \mathcal S \times \mathcal C.

其中：

$r$ ：reference scope，表示概率陳述所指向的對象集合、族群、系統或 universe of discourse；
$s$ ：scale，表示目前判定的尺度；
$c$ ：context，表示觀測、抽樣、資料生成、模型與協議語境。

在最小框架中， $\kappa$ 可以只是帶型別的 metadata；在更強框架中， $\mathcal R$ 、 $\mathcal S$ 、 $\mathcal C$ 可以各自帶有 morphism、order、topology 或其他結構。

3.3 判定域

定義 3.2：判定域

一個判定域定義為：

\boxed{ \mathfrak D = (X,\Sigma;\kappa) }

其中：

\kappa=(r,s,c).

$(X,\Sigma)$ 是形式可測空間，而 $\kappa$ 指定這個空間當前被用來判定什麼。

注意：

\mathfrak D

尚未包含概率測度。因此判定域是：

\boxed{ \text{pre-probabilistic object} }

而不是另一種 probability measure。

4. 判定域上的概率：概率成為具域型別的對象

4.1 域索引概率

定義 4.1：判定域概率

給定：

\mathfrak D = (X,\Sigma;\kappa),

若 $P$ 是 $(X,\Sigma)$ 上的概率測度，則記：

P_{\mathfrak D} : \Sigma \rightarrow [0,1].

這個下標不修改 Kolmogorov probability measure 的數學定義，而是保留：

\boxed{ \text{此概率測度的判定型別} }

因此：

P_{\mathfrak D}(A)=p

比裸寫：

P(A)=p

包含更多科學語義。

4.2 域型別原則

原則 4.2：Domain Typing Principle

任何跨研究、跨尺度、跨參考集合或跨觀測語境的概率陳述，在比較或轉移以前，都應使其判定域可恢復。

一個完整概率陳述可表示為：

\mathsf a = (\mathfrak D,P,A,p)

且：

P_{\mathfrak D}(A)=p.

如果只保留：

(A,p),

則存在投影：

\pi: (\mathfrak D,P,A,p) \mapsto (A,p).

此投影一般不是單射。不同判定域中的概率陳述可能被壓成完全相同的表面句子。

因此：

\boxed{ \text{相同概率數值} \not\Rightarrow \text{相同概率命題} }

4.3 域相對不等於主觀主義

判定域相對性不等於：

\text{probability is merely subjective}.

即使某個 $P_{\mathfrak D}$ 被理解為客觀物理頻率或傾向，它仍然可以是某個明示域中的客觀概率。

因此：

\boxed{ \text{domain-relative} \neq \text{subjective}. }

5. 尺度不是裝飾：微觀、中觀、宏觀與全域必須被顯式索引

5.1 尺度空間

本文不假設微觀、中觀、宏觀、全域是唯一固定的四層。

更一般地，令：

(\mathcal S,\preceq)

為尺度偏序。

若某研究採四層表示，可以取：

s_{\mu} \preceq s_m \preceq s_M \preceq s_G.

其中 $s_G$ 表示 explicitly global。

5.2 全域顯式原則

原則 5.1：Explicit Globality Principle

「全域」不是省略尺度後的預設值。

若概率陳述要被解讀為 global probability，則其判定索引必須包含明示的 global scope 或可證明等價的最大尺度對象。

因此：

P_{\mathfrak D_G}(A)

是合法的全域概率表示，只要：

\mathfrak D_G = (X_G,\Sigma_G;r_G,s_G,c_G)

已被明確指定。

本文不主張：

\text{global probability does not exist}.

本文主張：

\boxed{ \text{global probability is a declared type, not an omitted qualifier.} }

6. 判定域之間的 morphism 與 transport witness

6.1 判定語境 category

令：

\mathbf K

為判定索引 category。

其 object 是：

\kappa=(r,s,c),

其 morphism：

\tau: \kappa \rightarrow \kappa'

代表一個被允許的 reference、scale 或 context translation。

本文不固定 $\mathbf K$ 的唯一形式。不同領域可以使用 poset、typed graph、ordinary category、enriched category 或 site。

6.2 判定域 morphism

定義 6.1：Judgment-Domain Morphism

令：

\mathfrak D = (X,\Sigma;\kappa)

與：

\mathfrak E = (Y,\mathcal T;\lambda).

一個判定域 morphism 是一對：

(f,\tau): \mathfrak D \rightarrow \mathfrak E,

其中：

f: (X,\Sigma) \rightarrow (Y,\mathcal T)

是 measurable map，而：

\tau: \kappa \rightarrow \lambda

是判定索引的 admissible translation。

因此，我們要求：

\boxed{ \text{formal transport} + \text{judgment-index transport}. }

6.3 Pushforward transport

若 $P_{\mathfrak D}$ 是 $X$ 上的概率測度，而 $f:X\rightarrow Y$ 可測，則標準 pushforward 為：

(f_{\#}P_{\mathfrak D})(B) = P_{\mathfrak D}(f^{-1}(B)).

若 $\tau$ 也 admissible，則可記：

(\mathfrak D,P_{\mathfrak D}) \xRightarrow{(f_{\#},\tau)} (\mathfrak E,P_{\mathfrak E}),

其中：

P_{\mathfrak E} = f_{\#}P_{\mathfrak D}.

6.4 Markov-kernel transport

若域間轉換不是 deterministic map，而是一個 Markov kernel：

K: X \rightsquigarrow Y,

則由 $P_{\mathfrak D}$ 得到：

P_{\mathfrak E}(B) = \int_X K(x,B) \,P_{\mathfrak D}(dx).

判定域框架要求記錄：

(K,\tau),

而不是只記 $K$ 。

7. 核心命題：局部概率一般不唯一決定全域概率

7.1 局部延伸集合

設：

X_G = X_L \sqcup X_O,

其中 $X_L$ 是局部子空間， $X_O$ 是外部補空間。

令 $P_L$ 為 $X_L$ 上已知的概率測度。

定義：

\operatorname{Lift}(P_L) = \left\{ Q: Q(\cdot\mid X_L)=P_L \right\}.

7.2 命題 7.1：局部延伸不唯一

命題。 若 $X_O$ 支持至少一個概率測度 $R$ ，則對任意：

\alpha\in(0,1),

定義：

Q_{\alpha,R}(A) = \alpha P_L(A\cap X_L) + (1-\alpha) R(A\cap X_O).

則 $Q_{\alpha,R}$ 是 $X_G$ 上的概率測度，且：

Q_{\alpha,R} (\cdot\mid X_L) = P_L.

因此，只要 $\alpha$ 或 $R$ 具有自由度， $\operatorname{Lift}(P_L)$ 一般不只含一個元素。

證明

首先：

Q_{\alpha,R}(X_G) = \alpha P_L(X_L) + (1-\alpha)R(X_O) = 1.

非負性與可列可加性直接由 $P_L$ 與 $R$ 的概率測度性質得到。

又：

Q_{\alpha,R}(X_L) = \alpha.

對任意局部 measurable event $A\subseteq X_L$ ：

Q_{\alpha,R}(A) = \alpha P_L(A).

因此：

Q_{\alpha,R}(A\mid X_L) = \frac{Q_{\alpha,R}(A)} {Q_{\alpha,R}(X_L)} = P_L(A).

不同 $\alpha$ 或不同 $R$ 可以給出不同全域測度，故局部概率不能唯一決定全域概率。

\boxed{\square}

7.3 No-Smuggling Principle

若沒有明示的 transport / extension witness，則：

\boxed{ P_{\mathfrak D_L}(A)=p \quad \not\Rightarrow \quad P_{\mathfrak D_G}(\widetilde A)=p. }

這裡的 $\not\Rightarrow$ 不是說所有 local-to-global lifting 都不可能，而是表示：

\boxed{ \text{local value alone does not entail the global value.} }

8. Conditioning、restriction 與 extension 必須分開

8.1 從全域到局部

若已知：

(\Omega,\mathcal F,P)

與：

B\in\mathcal F, \qquad P(B)>0,

則：

P(A\mid B) = \frac{P(A\cap B)}{P(B)}.

此方向是：

G \rightarrow L.

8.2 從局部回全域

反方向：

L \rightarrow G

一般不是前一步的逆函數。

知道 $P(\cdot\mid B)$ 並不能單獨恢復 $P$ 。命題 7.1 已給出最簡單的原因。

因此：

\boxed{ \text{conditioning is generally information-losing.} }

而 extension 需要新增結構。

8.3 零概率條件事件與 regular conditional probability

當：

P(B)=0

時，簡單比值公式不能直接使用。

更一般的 conditional probability 需要 regular conditional distributions、disintegration 或 kernel 等工具，而且其存在性與良好性依賴底層可測結構與正則性條件。

因此判定域框架不應發明一套取代 regular conditional probability 的簡化公式。

它應記錄：

\boxed{ \text{conditioning 使用了哪一個域、哪一個 kernel 與哪一組正則性條件。} }

9. 與 sheaf-theoretic local-to-global 的關係

9.1 Sheaf 理論已經真正處理 local-to-global

在 sheaf-theoretic contextuality 中，局部 measurement contexts 上的資料可形成 compatible family，關鍵問題是：

\text{local compatible sections} \stackrel{?}{\longrightarrow} \text{global section}.

global section 的不存在形成 contextuality obstruction。

因此，如果本文只說：

有時局部概率不能組成全域概率。

那麼新意非常弱。

9.2 判定域的不同層位

判定域框架將問題拆成兩層。

第一層：

\text{Domain Typing}

問：

哪些 local objects 正在被比較？它們是否具有可對齊的 reference scope、scale 與 context type？

第二層：

\text{Gluing / Extension}

問：

在型別已合法對齊後，這些 local probability objects 是否真的可以黏成 global object？

因此：

\boxed{ \text{typing precedes gluing}. }

若兩個局部概率本來就來自不可直接比較的判定域，那麼還沒有進入 sheaf gluing 問題。

10. 相同形式空間，不同判定域

10.1 相同 $X$ ，不同 reference scope

令：

X = \{0,1\}.

對研究 A：

r_A = \text{某醫院的患者}.

對研究 B：

r_B = \text{全國患者}.

則：

\mathfrak D_A = (X,2^X;r_A,s_A,c_A)

與：

\mathfrak D_B = (X,2^X;r_B,s_B,c_B).

形式 measurable space 完全相同，但：

\mathfrak D_A \neq \mathfrak D_B.

所以：

P_{\mathfrak D_A}(1)=0.8

不能僅因 outcome label 相同，就被讀成：

P_{\mathfrak D_B}(1)=0.8.

10.2 相同 reference scope，不同尺度

同一家公司可能研究：

單一客服 agent 的成功率；
一組 agent 的任務成功率；
整體流程的完成率。

三者都可能二值化成：

\{\mathrm{success},\mathrm{failure}\},

但其 scale 不同。

把三者都壓成：

P(\mathrm{success})

會隱去跨尺度聚合所需的結構。

10.3 相同 reference scope 與尺度，不同 context

即使對象與尺度相同，下列條件也可能改變概率：

sampling protocol；
時間窗；
干預條件；
模型版本；
AI memory state；
prompt；
工具可用性。

因此 context 不是附註，而可以直接改變：

P_{\mathfrak D}.

11. 判定域等價

若判定域只會增加標籤，而沒有等價概念，框架會迅速失控。

定義 11.1：判定域等價

設：

\mathfrak D = (X,\Sigma;\kappa),

\mathfrak E = (Y,\mathcal T;\lambda).

若存在 measurable isomorphism：

f: (X,\Sigma) \cong (Y,\mathcal T)

以及判定索引 equivalence：

\tau: \kappa \simeq \lambda,

則稱：

\mathfrak D \simeq \mathfrak E.

若同時：

P_{\mathfrak E} = f_{\#}P_{\mathfrak D},

則兩個域索引概率模型可視為同一概率內容的不同表示。

因此判定域框架要求：

\boxed{ \text{先區分，再辨識合法等價。} }

12. 容器論的正式位置

本文把一個概率命題的容器拆成四種邊界。

12.1 形式 carrier

X

回答：

哪些 elementary states / outcomes 被表示？

12.2 Measurable event structure

\Sigma

回答：

哪些集合被允許成為可測事件？

12.3 Reference container

r

回答：

這個形式模型聲稱代表哪一個現實集合或目標系統？

12.4 Scale-context container

(s,c)

回答：

這個概率在什麼尺度與什麼生成／觀測條件中有效？

因此本文的「容器論」不是在 $X$ 外面再無限套集合，而是把一個概率命題的四種邊界分離：

\boxed{ \text{formal state boundary} + \text{measurability boundary} + \text{reference boundary} + \text{scale-context boundary}. }

13. 判定域與幾何空間的接口

令所有判定域形成：

\mathbf{JDom}.

存在尺度投影：

\pi_S: \mathbf{JDom} \rightarrow \mathcal S,

參考投影：

\pi_R: \mathbf{JDom} \rightarrow \mathcal R,

以及語境投影：

\pi_C: \mathbf{JDom} \rightarrow \mathcal C.

每個尺度 $s\in\mathcal S$ 上可以考慮 fiber：

\mathbf{JDom}_s = \pi_S^{-1}(s).

這給出後續多尺度概率幾何的最小接口：

\boxed{ \text{domains arranged over a scale space}. }

如果再加入 metric、topology、graph distance、information distance、refinement order 或 coarse-graining maps，判定域集合才真正開始形成幾何。

本文暫不把這些結構預設為必然。

14. 與 AI 概率場的第一個交點

考慮同一 AI model 的：

P_{\mathrm{token}},

P_{\mathrm{semantic}},

P_{\mathrm{strategy}},

P_{\mathrm{task}},

P_{\mathrm{success}}.

這些對象不是自動活在同一判定域。

例如 token distribution 可能位於單次生成步驟的微觀狀態空間，而 strategy distribution 可能需要跨完整回答分類後才能定義。

因此更嚴格的表示應為：

P_{\mathfrak D_{\mathrm{token}}}, \qquad P_{\mathfrak D_{\mathrm{semantic}}}, \qquad P_{\mathfrak D_{\mathrm{strategy}}}, \qquad P_{\mathfrak D_{\mathrm{task}}}.

若要把低層概率提升成高層概率，必須指定：

T_{\mathrm{token}\rightarrow\mathrm{semantic}},

T_{\mathrm{semantic}\rightarrow\mathrm{strategy}},

等等。

這些 $T$ 可能是 deterministic classification map、stochastic classifier、learned kernel、aggregation rule 或 latent-variable model。

因此：

\boxed{ \text{AI probability field} }

可以被重新理解成：

\boxed{ \text{a family of domain-indexed probability objects connected by explicit transports}. }

15. 何時可以省略域下標？

原則 15.1：Recoverable-Domain Convention

若一個證明、模型或章節已固定唯一判定域：

\mathfrak D,

且中途沒有 scale、reference 或 context shift，則可將：

P_{\mathfrak D}(A)

簡寫為：

P(A).

只有當發生以下情況時，域下標必須恢復：

跨域比較；
跨尺度聚合；
global claim；
domain extension；
conditioning 到不同 reference class；
模型或 protocol 改變；
多 probability spaces 同時出現。

因此本文反對的不是 notation suppression，而是：

\boxed{ \text{semantic suppression being mistaken for logical equivalence}. }

16. 判定域合法性：v0.1.0 的必要條件

16.1 可測合法性

$(X,\Sigma)$ 必須是所採概率框架允許的 measurable carrier，或明確說明正在使用其他廣義概率結構。

16.2 參考可辨識性

$r$ 必須足以區分概率陳述真正指向的 reference scope。

16.3 尺度可辨識性

$s$ 必須在當前 scale system 中具有可解釋位置。

16.4 語境可重建性

$c$ 至少要記錄會實質改變概率分布的生成與觀測條件。

16.5 轉移可審計性

若結論使用了另一判定域的概率，必須能指出：

T: \mathfrak D \rightarrow \mathfrak E.

如果 $T$ 只是 heuristic aggregation，也必須明示 heuristic status。

17. 定理、標準工具、提案與猜想的分層

17.1 標準外部工具

以下不是本文原創：

measurable spaces；
probability measures；
conditioning；
pushforward measures；
regular conditional probability；
Markov kernels；
disintegration；
sheaf gluing；
global-section obstruction；
Markov categories。

17.2 本文新定義／提案

本文提出：

判定索引 $\kappa=(r,s,c)$ ；
判定域 $\mathfrak D=(X,\Sigma;\kappa)$ ；
域索引概率記號 $P_{\mathfrak D}$ ；
Domain Typing Principle；
Explicit Globality Principle；
No-Smuggling Principle；
判定域 morphism 同時包含 formal map 與 judgment-index translation。

這些目前是 proposed formalism，不宣稱已成為標準概率公理。

17.3 本文已證命題

本文證明：

在具有外部補空間自由度的基本情況下，同一局部條件概率可以由多個不同全域概率測度誘導。

因此：

\boxed{ \text{local probability alone generally does not determine a unique global probability}. }

17.4 尚未證明的研究命題

後續仍需研究：

判定索引 category 是否存在自然最小公理；
scale refinement 是否應形成 poset、lattice 或 site；
何種 domain morphism 應被視為概率等價；
local-to-global lifting 是否可建立一般 obstruction theory；
判定域是否可與 probability sheaves 建立 functorial coupling；
判定域的 recursive probability order 如何與 probability monad 對接；
動態判定域如何保證跨時間概率可比較性。

18. 與既有框架的關係表

問題	既有典型工具	判定域框架新增的問題
固定空間上的概率	Kolmogorov probability space	這個空間為何代表當前 reference scope？
隨機映射	Markov kernel	此 kernel 是否跨越合法的 scale/context boundary？
全域到局部	conditioning / restriction	局部域的 reference 與 scale 如何標記？
局部到全域	extension / gluing	哪種 lifting 被允許？是否有 scope smuggling？
contextuality	sheaf global-section obstruction	在進入 gluing 前，各 local contexts 是否已 type-aligned？
sample spaces 上的概率概念	probability sheaves	額外加入 reference/scale/model judgment index
多尺度 AI 分布	hierarchical / latent / empirical distributions	每層分布的域與跨層 transport 如何顯式化？
全域概率	global probability model	global 必須是 declared scope，而非省略下標

19. 三種常見的概率域偷渡

19.1 子群體到母體

已知某子群體：

P_{\mathfrak D_L}(A)=0.8.

直接省略下標並在下一段把它解讀成整體母體概率，錯誤不在 $0.8$ ，而在：

\mathfrak D_L \rightarrow \mathfrak D_G

沒有 transport witness。

19.2 單次 AI 條件到模型本體

對某 model、prompt、memory state 重跑得到：

P_{\mathfrak D_c}(\mathrm{strategy}=S)=0.6.

若直接聲稱：

此模型有 $60\%$ 機率採取策略 $S$ 。

便可能把特定 $c$ 偷渡成模型的全域本性。

19.3 微觀成功到宏觀有效

某政策使部分個體成功率提高：

P_{\mathfrak D_{\mu}}(\mathrm{benefit})>0.

不能直接推出：

P_{\mathfrak D_M}(\mathrm{system\ effective})>0.

因為宏觀事件的定義、聚合權重、成本與交互作用都可能不同。

這不是說宏觀結論一定相反，而是說：

\boxed{ \text{跨尺度需要模型。} }

20. 下一步：從判定域到局部–全域合法性與尺度幾何

下一篇 Paper 03 將集中處理：

\boxed{ \text{local probability} \leftrightarrow \text{global probability} }

之間的 restriction、pushforward、extension、aggregation 與 lifting legality。

Paper 04 再把所有判定域放入尺度結構：

\mathfrak D_{\mu} \rightarrow \mathfrak D_m \rightarrow \mathfrak D_M \rightarrow \mathfrak D_G,

並研究 scale refinement、coarse-graining、upward aggregation、downward traceability、scale distortion 與 probability transport geometry。

因此系列目前形成：

\boxed{ \text{History} \rightarrow \text{Judgment Domain} \rightarrow \text{Local--Global Legality} \rightarrow \text{Multi-Scale Geometry} \rightarrow \text{Recursive Probability Fields}. }

21. 結論

本文的核心並不是：

\text{「概率是錯的」}.

也不是：

\text{「Kolmogorov 空間缺少 domain」}.

標準概率論已具有精確的：

(\Omega,\mathcal F,P).

本文真正提出的是：

\boxed{ \text{概率空間的形式定義} \neq \text{概率空間的科學判定型別}. }

為此，本文定義：

\mathfrak D = (X,\Sigma;r,s,c)

作為前概率判定域，並把概率寫成：

P_{\mathfrak D}.

其目的不是讓所有普通概率計算變得冗長，而是在跨域時強迫模型回答：

\boxed{ \text{在談誰？} }

\boxed{ \text{在哪個尺度？} }

\boxed{ \text{在什麼觀測／建模語境？} }

若概率要從一個域移動到另一個域，還必須回答：

\boxed{ \text{靠什麼合法轉移？} }

因此，概率陳述的完整結構被改寫為：

\boxed{ \text{Judgment Domain} + \text{Probability Object} + \text{Transport Witness}. }

局部延伸不唯一命題進一步證明：即使一個局部概率模型完全已知，也通常存在多個不同的全域 extension。故：

\boxed{ \text{local probability alone} \not\Rightarrow \text{unique global probability}. }

後續研究將不再先問：

一個 $0.7$ 到底是不是概率？

而會先問：

$0.7$ 是哪一個域中的概率？該域如何形成？它能否被合法 transport 到另一個域？如果不能，為什麼？

這正是「概率之前的容器、空間與量詞」被形式化後所帶來的第一個結構轉換。

參考文獻

[1] Neo.K. (2026). 《概率論的歷史、學派與前沿分歧：從機會計算到高階與範疇概率》. JDPSP-01, EveMissLab.

[2] Kolmogorov, A. N. (1933). Grundbegriffe der Wahrscheinlichkeitsrechnung. Berlin: Springer.

[3] Giry, M. (1982). A Categorical Approach to Probability Theory. In Categorical Aspects of Topology and Analysis, Lecture Notes in Mathematics 915, 68--85. DOI: 10.1007/BFb0092872.

[4] Abramsky, S., & Brandenburger, A. (2011). The Sheaf-Theoretic Structure of Non-Locality and Contextuality. New Journal of Physics, 13, 113036. DOI: 10.1088/1367-2630/13/11/113036.

[5] Simpson, A. (2017). Probability Sheaves and the Giry Monad. CALCO 2017, LIPIcs 72, 1:1--1:6. DOI: 10.4230/LIPIcs.CALCO.2017.1.

[6] Fritz, T. (2020). A Synthetic Approach to Markov Kernels, Conditional Independence and Theorems on Sufficient Statistics. Advances in Mathematics, 370, 107239. DOI: 10.1016/j.aim.2020.107239.

[7] Heunen, C., Kammar, O., Staton, S., & Yang, H. (2017). A Convenient Category for Higher-Order Probability Theory. LICS 2017. DOI: 10.1109/LICS.2017.8005137.

[8] Vákár, M., & Ong, L. (2019). On S-Finite Measures and Kernels. Electronic Notes in Theoretical Computer Science, 336, 285--312. arXiv:1810.01837.

[9] Stein, D. (2025). Random Variables, Conditional Independence and Categories of Abstract Sample Spaces. arXiv:2503.02477.

[10] Williams, T., Doosti, M., & Shahandeh, F. (2026). Sheaf-Theoretic Preparation Contextuality. arXiv:2605.00975.

Appendix A. 最小符號表

符號	意義
$(X,\Sigma)$	形式可測空間
$r$	reference scope
$s$	scale index
$c$	observation / modeling context
$\kappa=(r,s,c)$	判定索引
$\mathfrak D=(X,\Sigma;\kappa)$	判定域
$P_{\mathfrak D}$	判定域索引概率
$(f,\tau)$	判定域 morphism
$f_{\#}P$	pushforward probability
$K:X\rightsquigarrow Y$	Markov kernel
$\operatorname{Lift}(P_L)$	可恢復局部概率的全域 lifts 集合
$\mathcal S$	scale system
$\mathbf{JDom}$	判定域 collection / future category

Appendix B. 最小公理化草案

JD-1：Domain Declaration

每個跨域可見的概率對象都應具有可恢復的：

\mathfrak D.

JD-2：Reference Declaration

每個 $\mathfrak D$ 都必須指明：

r.

JD-3：Scale Declaration

若研究涉及多尺度，則每個 $\mathfrak D$ 必須指明：

s.

JD-4：Context Declaration

所有會實質改變分布的觀測、生成或模型條件應進入：

c.

JD-5：Transport Witness

若：

\mathfrak D \neq \mathfrak E,

則從 $P_{\mathfrak D}$ 推到 $P_{\mathfrak E}$ 時，必須指出：

T_{\mathfrak D\rightarrow\mathfrak E}.

JD-6：Explicit Globality

若一個概率陳述宣稱 global validity，則 global scope 必須是判定域中的顯式結構，而不是由省略 local qualifier 得到。

這六條目前是 framework requirements，而不是聲稱取代 Kolmogorov axioms 的概率公理。

判定域概率論：概率之前的容器、空間與量詞

判定域概率論：概率之前的容器、空間與量詞

Judgment-Domain Probability Theory: Containers, Spaces, and Quantifier Scope Prior to Probability

摘要

1. 研究定位：不是替代 Kolmogorov，而是補上概率空間之前的型別層

2. 既有理論邊界：哪些東西不能宣稱是本文首次提出？

2.1 概率隨 sample space 變化不是新命題

2.2 局部資料可能無法黏成全域概率不是新命題

2.3 概率轉換可以用 kernel 與範疇語言描述不是新命題

3. 前概率層：形式空間與科學指涉必須分開

3.1 形式樣本空間不等於現實參考範圍

3.2 判定索引

定義 3.1：判定索引

3.3 判定域

定義 3.2：判定域

4. 判定域上的概率：概率成為具域型別的對象

4.1 域索引概率

定義 4.1：判定域概率

4.2 域型別原則

原則 4.2：Domain Typing Principle

4.3 域相對不等於主觀主義

5. 尺度不是裝飾：微觀、中觀、宏觀與全域必須被顯式索引

5.1 尺度空間

5.2 全域顯式原則

原則 5.1：Explicit Globality Principle

6. 判定域之間的 morphism 與 transport witness

6.1 判定語境 category

6.2 判定域 morphism

定義 6.1：Judgment-Domain Morphism

6.3 Pushforward transport

6.4 Markov-kernel transport

7. 核心命題：局部概率一般不唯一決定全域概率

7.1 局部延伸集合

7.2 命題 7.1：局部延伸不唯一

證明

7.3 No-Smuggling Principle

8. Conditioning、restriction 與 extension 必須分開

8.1 從全域到局部

8.2 從局部回全域

8.3 零概率條件事件與 regular conditional probability

9. 與 sheaf-theoretic local-to-global 的關係

9.1 Sheaf 理論已經真正處理 local-to-global

9.2 判定域的不同層位

10. 相同形式空間，不同判定域

10.1 相同 XXX，不同 reference scope

10.2 相同 reference scope，不同尺度

10.3 相同 reference scope 與尺度，不同 context

11. 判定域等價

定義 11.1：判定域等價

12. 容器論的正式位置

12.1 形式 carrier

12.2 Measurable event structure

12.3 Reference container

12.4 Scale-context container

13. 判定域與幾何空間的接口

14. 與 AI 概率場的第一個交點

15. 何時可以省略域下標？

原則 15.1：Recoverable-Domain Convention

16. 判定域合法性：v0.1.0 的必要條件

16.1 可測合法性

16.2 參考可辨識性

16.3 尺度可辨識性

16.4 語境可重建性

16.5 轉移可審計性

17. 定理、標準工具、提案與猜想的分層

17.1 標準外部工具

17.2 本文新定義／提案

17.3 本文已證命題

17.4 尚未證明的研究命題

18. 與既有框架的關係表

19. 三種常見的概率域偷渡

19.1 子群體到母體

19.2 單次 AI 條件到模型本體

19.3 微觀成功到宏觀有效

20. 下一步：從判定域到局部–全域合法性與尺度幾何

21. 結論

參考文獻

Appendix A. 最小符號表

Appendix B. 最小公理化草案

JD-1：Domain Declaration

10.1 相同 $X$ ，不同 reference scope