title: "多尺度概率幾何：微觀、中觀、宏觀與全域判定空間"
english_title: "Multi-Scale Probability Geometry: Micro, Meso, Macro, and Global Judgment Spaces"
series: "判定域概率論與超概率研究"
series_id: "JDPSP"
paper_id: "JDPSP-04"
author: "Neo.K"
organization: "EveMissLab"
version: "0.1.0"
status: "研究初稿 / geometric framework proposal"
date: "2026-08-13"
language: "zh-TW"
多尺度概率幾何：微觀、中觀、宏觀與全域判定空間
Multi-Scale Probability Geometry: Micro, Meso, Macro, and Global Judgment Spaces
作者： Neo.K機構： EveMissLab系列： 判定域概率論與超概率研究，Paper 04版本： v0.1.0日期： 2026-08-13
摘要
前兩篇工作分別建立判定域
D = ( X , Σ ; r , s , c ) \mathfrak D=(X,\Sigma;r,s,c) D = ( X , Σ ; r , s , c ) 以及跨判定域的提升見證
( D , P ) ⇒ W ( E , Q ) . (\mathfrak D,P)
\xRightarrow{\mathcal W}
(\mathfrak E,Q). ( D , P ) W ( E , Q ) . 本文把單一判定域與單一 lifting arrow 擴張成一個多尺度空間，研究微觀、中觀、宏觀與明示全域概率如何被排列、比較、聚合與沿路徑搬運。
本文首先區分兩種不同的「概率幾何」。第一種是既有的 probability-distribution geometry，例如 Fisher information geometry、divergence geometry 與 Wasserstein / optimal-transport geometry。這些方向已具有成熟理論，本文不宣稱重新發明。第二種是本文提出的 judgment-domain geometry：把判定域作為節點，把 admissible transport 作為箭頭，把尺度索引作為基底，研究 probability objects 如何在不同判定域纖維之間移動。
令尺度系統為偏序或更一般 category：
S , \mathbf S, S , 判定域 category 為：
J D o m , \mathbf{JDom}, JDom , 並設尺度投影：
π : J D o m → S . \pi:
\mathbf{JDom}
\rightarrow
\mathbf S. π : JDom → S . 尺度 s s s
J D o m s = π − 1 ( s ) . \mathbf{JDom}_s
=
\pi^{-1}(s). JDom s = π − 1 ( s ) . 對每一判定域 D \mathfrak D D
P r o b ( D ) . \mathbf{Prob}(\mathfrak D). Prob ( D ) . 由此形成一個 bundle-like / indexed probability structure，而非預先宣稱為微分幾何意義的 fiber bundle。
本文引入三類幾何量。第一，尺度距離 d S d_S d S
本文進一步定義路徑 transport：
T γ = T e n ∘ ⋯ ∘ T e 1 , T_{\gamma}
=
T_{e_n}\circ\cdots\circ T_{e_1}, T γ = T e n ∘ ⋯ ∘ T e 1 , 路徑依賴：
Δ γ 1 , γ 2 ( P ) = D ( T γ 1 P , T γ 2 P ) , \Delta_{\gamma_1,\gamma_2}(P)
=
D(
T_{\gamma_1}P,
T_{\gamma_2}P
), Δ γ 1 , γ 2 ( P ) = D ( T γ 1 P , T γ 2 P ) , 以及閉路 defect：
H γ ( P ) = D ( P , T γ P ) . H_{\gamma}(P)
=
D(
P,T_{\gamma}P
). H γ ( P ) = D ( P , T γ P ) . 若尺度系統是偏序 category，且 transport assignment 構成 functor，則任意兩條由同一尺度起點到終點的 refinement chains 必須給出同一 composite transport；本文稱之為 Path-Independence Proposition。反之，非零 path defect 代表尺度路徑、語境選擇或 aggregation mechanism 具有不可忽略的結構作用。
本文亦利用 data-processing principle 定義 stochastic coarse-graining 的 distinguishability loss：
L f ( K ; P , Q ) = D f ( P ∥ Q ) − D f ( K ⋆ P ∥ K ⋆ Q ) ≥ 0 , L_f(K;P,Q)
=
D_f(P\Vert Q)
-
D_f(K_{\star}P\Vert K_{\star}Q)
\ge0, L f ( K ; P , Q ) = D f ( P ∥ Q ) − D f ( K ⋆ P ∥ K ⋆ Q ) ≥ 0 , 並證明串接 stochastic channels 時此 loss 具有望遠鏡式可加性。這提供一種可審計的跨尺度資訊損失帳本。
最後，本文重新定義「全域」：全域不是沒有尺度下標的默認狀態，而應是研究尺度 category 中明示的 terminal / designated maximal judgment domain。若尺度結構不存在唯一 terminal object，則不應假設存在唯一 canonical global probability。
本文因此將多尺度概率表示為：
Scale Base + Judgment-Domain Fibers + Probability Fibers + Transport Geometry + Path / Loss Structure . \boxed{
\text{Scale Base}
+
\text{Judgment-Domain Fibers}
+
\text{Probability Fibers}
+
\text{Transport Geometry}
+
\text{Path / Loss Structure}.
} Scale Base + Judgment-Domain Fibers + Probability Fibers + Transport Geometry + Path / Loss Structure . 這為下一篇「遞歸概率場」提供幾何底座：當每一點不只承載 P P P
P , P ( P ) , P 2 ( P ) , … P,\mathsf P(P),\mathsf P^2(P),\ldots P , P ( P ) , P 2 ( P ) , … 時，概率階數將成為此幾何的第二個獨立方向。
關鍵詞： 多尺度概率、判定域、概率幾何、information geometry、Wasserstein geometry、coarse-graining、data processing、fiber、path dependence、holonomy defect、Markov kernel、全域概率、尺度空間
1. 問題起點：概率不只存在於一個空間，而存在於一族尺度空間
Paper 02 建立：
D = ( X , Σ ; r , s , c ) . \mathfrak D
=
(X,\Sigma;r,s,c). D = ( X , Σ ; r , s , c ) . Paper 03 建立：
( D , P ) ⇒ W ( E , Q ) . (\mathfrak D,P)
\xRightarrow{\mathcal W}
(\mathfrak E,Q). ( D , P ) W ( E , Q ) . 這已足以描述一次跨域概率轉換。
然而實際多尺度系統通常不是：
D → E \mathfrak D
\rightarrow
\mathfrak E D → E 的一條箭頭，而更接近：
D μ , 1 , D μ , 2 , … → D m , 1 , D m , 2 , … → D M , 1 , … → D G . \mathfrak D_{\mu,1},
\mathfrak D_{\mu,2},
\ldots
\rightarrow
\mathfrak D_{m,1},
\mathfrak D_{m,2},
\ldots
\rightarrow
\mathfrak D_{M,1},
\ldots
\rightarrow
\mathfrak D_G. D μ , 1 , D μ , 2 , … → D m , 1 , D m , 2 , … → D M , 1 , … → D G . 其中：
多個 micro domains 可以共同形成一個 meso domain；
多個 meso domains 可能聚合成不同 macro descriptions；
不同 aggregation paths 可能導向不同宏觀概率；
某些尺度不存在自然 total order；
某些研究甚至不存在唯一 global object。
因此本文的核心問題變成：
一族判定域如何構成概率空間的幾何？ \boxed{
\text{一族判定域如何構成概率空間的幾何？}
} 一族判定域如何構成概率空間的幾何？ 2. 「概率幾何」已有成熟理論：本文不能重新命名
2.1 Information geometry
Information geometry 已把 statistical models 視為幾何空間，研究 Fisher metric、Amari--Chentsov tensor、divergences、dual connections 與 sufficient statistics。
對參數模型：
{ p θ } θ ∈ Θ , \{
p_{\theta}
\}_{\theta\in\Theta}, { p θ } θ ∈ Θ , Fisher information metric 可寫為：
g i j ( θ ) = E θ [ ∂ i log p θ ( X ) ∂ j log p θ ( X ) ] . g_{ij}(\theta)
=
\mathbb E_{\theta}
\left[
\partial_i\log p_{\theta}(X)
\,
\partial_j\log p_{\theta}(X)
\right]. g ij ( θ ) = E θ [ ∂ i log p θ ( X ) ∂ j log p θ ( X ) ] . Markov morphisms 與 sufficient statistics 下的單調性／不變性亦是 information geometry 的核心結果。
因此本文不能把：
概率分布可以形成幾何空間 \boxed{
\text{概率分布可以形成幾何空間}
} 概率分布可以形成幾何空間 宣稱為新發現。
2.2 Wasserstein / optimal-transport geometry
若：
( X , d ) (X,d) ( X , d ) 為 metric space，則具有有限 p p p
P p ( X ) . \mathcal P_p(X). P p ( X ) . Wasserstein distance 定義為：
W p ( P , Q ) = ( inf γ ∈ Π ( P , Q ) ∫ X × X d ( x , y ) p d γ ( x , y ) ) 1 / p . W_p(P,Q)
=
\left(
\inf_{\gamma\in\Pi(P,Q)}
\int_{X\times X}
d(x,y)^p
\,d\gamma(x,y)
\right)^{1/p}. W p ( P , Q ) = ( γ ∈ Π ( P , Q ) inf ∫ X × X d ( x , y ) p d γ ( x , y ) ) 1/ p . 因此 probability measures 本身已具有非常成熟的 transport geometry。
近年的研究甚至直接對 Wasserstein spaces 中的一系列 probability measures 建立 multiscale transform、refinement operator 與跨尺度幾何分析。
所以本文不能把：
multiscale geometry of probability measures \boxed{
\text{multiscale geometry of probability measures}
} multiscale geometry of probability measures 本身宣稱為首次提出。
2.3 本文真正研究的另一層幾何
本文新增的問題是：
概率分布所在的判定域本身如何排列成尺度空間？ \boxed{
\text{概率分布所在的判定域本身如何排列成尺度空間？}
} 概率分布所在的判定域本身如何排列成尺度空間？ 也就是把幾何分成：
geometry inside probability spaces \boxed{
\text{geometry inside probability spaces}
} geometry inside probability spaces 與：
geometry between judgment domains . \boxed{
\text{geometry between judgment domains}.
} geometry between judgment domains . 本文研究後者，並把前者作為可以嵌入每一個判定域纖維中的成熟工具。
3. 尺度基底
3.1 尺度不必是一條直線
最簡模型可以取：
s μ ⪯ s m ⪯ s M ⪯ s G . s_{\mu}
\preceq
s_m
\preceq
s_M
\preceq
s_G. s μ ⪯ s m ⪯ s M ⪯ s G . 但真實多尺度系統未必是 total order。
例如：
s i n d i v i d u a l , s_{\mathrm{individual}}, s individual , s t e a m , s_{\mathrm{team}}, s team , s d e p a r t m e n t , s_{\mathrm{department}}, s department , s c o m p a n y s_{\mathrm{company}} s company 可能是一條鏈。
但同一研究同時可能有：
s g e o g r a p h i c , s o r g a n i z a t i o n a l , s t e m p o r a l , s_{\mathrm{geographic}},
\qquad
s_{\mathrm{organizational}},
\qquad
s_{\mathrm{temporal}}, s geographic , s organizational , s temporal , 形成不可線性排序的尺度族。
因此本文令：
S \mathbf S S 為尺度 category。
最簡情況下：
S \mathbf S S 可以是偏序 category。
更一般情況下，可以具有多種 typed morphisms。
3.2 尺度節點
每個：
s ∈ Ob ( S ) s\in\operatorname{Ob}(\mathbf S) s ∈ Ob ( S ) 表示一個被明示的 observational / organizational scale。
例如：
S = { μ , m , M , G } . \mathcal S
=
\{
\mu,m,M,G
\}. S = { μ , m , M , G } . 但這只是一個實作方便的四層模型，不是宇宙中唯一自然分層。
3.3 尺度箭頭
若：
s → t s\rightarrow t s → t 是尺度箭頭，表示：
允許從尺度 s 轉譯到尺度 t . \text{允許從尺度 }s\text{ 轉譯到尺度 }t. 允許從尺度 s 轉譯到尺度 t . 不同箭頭可以有不同型別，例如：
r e f i n e , \mathrm{refine}, refine , a g g r e g a t e , \mathrm{aggregate}, aggregate , f o r g e t , \mathrm{forget}, forget , p r o j e c t , \mathrm{project}, project , c o m p a r e . \mathrm{compare}. compare . 所以：
s → t s\rightarrow t s → t 不必只代表「變大」。
4. 判定域在尺度基底上的排列
Paper 02 的判定域為：
D = ( X , Σ ; r , s , c ) . \mathfrak D
=
(X,\Sigma;r,s,c). D = ( X , Σ ; r , s , c ) . 現在把所有判定域組成：
J D o m . \mathbf{JDom}. JDom . 定義尺度投影：
π : J D o m → S . \boxed{
\pi:
\mathbf{JDom}
\rightarrow
\mathbf S.
} π : JDom → S . 滿足：
π ( D ) = s . \pi(\mathfrak D)=s. π ( D ) = s . 4.1 尺度纖維
對每個尺度：
s , s, s , 定義：
J D o m s = π − 1 ( s ) . \boxed{
\mathbf{JDom}_s
=
\pi^{-1}(s).
} JDom s = π − 1 ( s ) . 同一尺度上可以有很多不同判定域。
例如 micro scale 中可以同時有：
D μ , 1 = 單一 token , \mathfrak D_{\mu,1}
=
\text{單一 token}, D μ , 1 = 單一 token , D μ , 2 = 單一 agent action , \mathfrak D_{\mu,2}
=
\text{單一 agent action}, D μ , 2 = 單一 agent action , D μ , 3 = 單一個體事件 . \mathfrak D_{\mu,3}
=
\text{單一個體事件}. D μ , 3 = 單一個體事件 . 因此：
scale ≠ single domain . \boxed{
\text{scale}
\neq
\text{single domain}.
} scale = single domain . 4.2 不是先宣稱為 fiber bundle
嚴格微分幾何的 fiber bundle 需要 topology、local triviality 等結構。
本文目前只建立：
bundle-like indexed family . \boxed{
\text{bundle-like indexed family}.
} bundle-like indexed family . 只有在未來證明：
topology；
local trivializations；
transition maps；
compatibility；
之後，才能升格為更嚴格的 fiber-bundle terminology。
5. 每個判定域再承載一個概率纖維
對每個：
D = ( X , Σ ; κ ) , \mathfrak D
=
(X,\Sigma;\kappa), D = ( X , Σ ; κ ) , 定義：
P r o b ( D ) \mathbf{Prob}(\mathfrak D) Prob ( D ) 為在該判定域形式 carrier 上允許的 probability objects。
在標準 Kolmogorov 情況：
P r o b ( D ) = { P : P is a probability measure on ( X , Σ ) } . \mathbf{Prob}(\mathfrak D)
=
\{
P:
P\text{ is a probability measure on }(X,\Sigma)
\}. Prob ( D ) = { P : P is a probability measure on ( X , Σ )} . 於是整體結構至少具有兩級索引：
s ↦ D ↦ P . s
\mapsto
\mathfrak D
\mapsto
P. s ↦ D ↦ P . 可以寫成：
S ← J D o m ← P r o b O b j . \boxed{
\mathbf S
\leftarrow
\mathbf{JDom}
\leftarrow
\mathbf{ProbObj}.
} S ← JDom ← ProbObj . 其中：
P r o b O b j \mathbf{ProbObj} ProbObj 暫時表示所有帶判定域型別的概率對象。
6. 三種不同的幾何距離
本文不使用一個「萬能距離」把所有東西硬塞在一起，而分成三層。
6.1 尺度距離
若尺度圖具有 edge weights：
w ( e ) ≥ 0 , w(e)\ge0, w ( e ) ≥ 0 , 可以定義結構距離：
d S ( s , t ) = inf γ : s ⇝ t ∑ e ∈ γ w ( e ) . d_S(s,t)
=
\inf_{\gamma:s\leadsto t}
\sum_{e\in\gamma}w(e). d S ( s , t ) = γ : s ⇝ t inf e ∈ γ ∑ w ( e ) . 這只是尺度圖上的 graph / path distance。
它不等於 probability distance。
6.2 纖維內概率距離
若：
P , Q ∈ P r o b ( D ) , P,Q\in\mathbf{Prob}(\mathfrak D), P , Q ∈ Prob ( D ) , 且該判定域具有適當結構，可以使用既有：
Fisher--Rao distance；
Kullback--Leibler divergence；
Jensen--Shannon divergence；
total variation；
Hellinger distance；
Wasserstein distance。
記為：
d D ( P , Q ) . d_{\mathfrak D}(P,Q). d D ( P , Q ) . 本文不規定所有判定域必須使用同一種距離。
6.3 跨域 comparison cost
若：
P ∈ P r o b ( D ) , P\in\mathbf{Prob}(\mathfrak D), P ∈ Prob ( D ) , Q ∈ P r o b ( E ) , Q\in\mathbf{Prob}(\mathfrak E), Q ∈ Prob ( E ) , 則 P P P Q Q Q
D ( P , Q ) . D(P,Q). D ( P , Q ) . 因此先選共同比較域：
C , \mathfrak C, C , 以及 transports：
T D → C , T_{\mathfrak D\rightarrow\mathfrak C}, T D → C , T E → C . T_{\mathfrak E\rightarrow\mathfrak C}. T E → C . 定義：
C C ( P , Q ) = D C ( T D → C P , T E → C Q ) + λ [ c ( T D → C ) + c ( T E → C ) ] . C_{\mathfrak C}(P,Q)
=
D_{\mathfrak C}
\left(
T_{\mathfrak D\rightarrow\mathfrak C}P,
T_{\mathfrak E\rightarrow\mathfrak C}Q
\right)
+
\lambda
\left[
c(T_{\mathfrak D\rightarrow\mathfrak C})
+
c(T_{\mathfrak E\rightarrow\mathfrak C})
\right]. C C ( P , Q ) = D C ( T D → C P , T E → C Q ) + λ [ c ( T D → C ) + c ( T E → C ) ] . 再定義：
C J ( P , Q ) = inf C , T , U C C ( P , Q ) . \boxed{
C_J(P,Q)
=
\inf_{\mathfrak C,T,U}
C_{\mathfrak C}(P,Q).
} C J ( P , Q ) = C , T , U inf C C ( P , Q ) . 目前本文只稱其為：
cross-domain comparison cost . \boxed{
\text{cross-domain comparison cost}.
} cross-domain comparison cost . 不無條件宣稱它滿足 metric axioms。
7. 為什麼跨域距離不能直接硬定義？
假設：
P t o k e n P_{\mathrm{token}} P token 是 token sequence space 上的 distribution，
而：
P s t r a t e g y P_{\mathrm{strategy}} P strategy 是 strategy labels 上的 distribution。
裸寫：
W 2 ( P t o k e n , P s t r a t e g y ) W_2(
P_{\mathrm{token}},
P_{\mathrm{strategy}}
) W 2 ( P token , P strategy ) 通常沒有定義，因為兩者不在同一 metric carrier。
因此任何跨尺度概率距離，都必須先回答：
比較在哪裡發生？ \boxed{
\text{比較在哪裡發生？}
} 比較在哪裡發生？ 這就是共同比較域：
C . \mathfrak C. C . 換句話說：
cross-scale distance requires a comparison witness . \boxed{
\text{cross-scale distance requires a comparison witness}.
} cross-scale distance requires a comparison witness . 這是 Paper 03 的 lifting witness 在幾何層的延伸。
8. Coarse-graining 與 information loss
若：
K : X ⇝ Y K:X\rightsquigarrow Y K : X ⇝ Y 為 stochastic channel，則大量 divergence 滿足 data-processing inequality。
對適當 f f f
D f ( K ⋆ P ∥ K ⋆ Q ) ≤ D f ( P ∥ Q ) . D_f(
K_{\star}P
\Vert
K_{\star}Q
)
\le
D_f(
P\Vert Q
). D f ( K ⋆ P ∥ K ⋆ Q ) ≤ D f ( P ∥ Q ) . 因此可定義 coarse-graining distinguishability loss：
L f ( K ; P , Q ) = D f ( P ∥ Q ) − D f ( K ⋆ P ∥ K ⋆ Q ) . \boxed{
L_f(
K;P,Q
)
=
D_f(P\Vert Q)
-
D_f(
K_{\star}P
\Vert
K_{\star}Q
).
} L f ( K ; P , Q ) = D f ( P ∥ Q ) − D f ( K ⋆ P ∥ K ⋆ Q ) . 由 data processing：
L f ( K ; P , Q ) ≥ 0. L_f(
K;P,Q
)
\ge0. L f ( K ; P , Q ) ≥ 0. 這個非負性不是本文新定理，而是既有 data-processing principle 的直接結果。
本文的新用途是把它放入 scale-lifting ledger。
9. 命題一：串接 stochastic channels 的 loss 可望遠鏡分解
設：
K 1 : X ⇝ Y , K_1:X\rightsquigarrow Y, K 1 : X ⇝ Y , K 2 : Y ⇝ Z . K_2:Y\rightsquigarrow Z. K 2 : Y ⇝ Z . 定義：
P 1 = ( K 1 ) ⋆ P , P_1=(K_1)_{\star}P, P 1 = ( K 1 ) ⋆ P , Q 1 = ( K 1 ) ⋆ Q . Q_1=(K_1)_{\star}Q. Q 1 = ( K 1 ) ⋆ Q . 則：
L f ( K 2 ∘ K 1 ; P , Q ) = D f ( P ∥ Q ) − D f ( ( K 2 ) ⋆ P 1 ∥ ( K 2 ) ⋆ Q 1 ) . L_f(
K_2\circ K_1;P,Q
)
=
D_f(P\Vert Q)
-
D_f(
(K_2)_{\star}P_1
\Vert
(K_2)_{\star}Q_1
). L f ( K 2 ∘ K 1 ; P , Q ) = D f ( P ∥ Q ) − D f (( K 2 ) ⋆ P 1 ∥ ( K 2 ) ⋆ Q 1 ) . 加入並減去：
D f ( P 1 ∥ Q 1 ) , D_f(P_1\Vert Q_1), D f ( P 1 ∥ Q 1 ) , 得到：
L f ( K 2 ∘ K 1 ; P , Q ) = [ D f ( P ∥ Q ) − D f ( P 1 ∥ Q 1 ) ] + [ D f ( P 1 ∥ Q 1 ) − D f ( ( K 2 ) ⋆ P 1 ∥ ( K 2 ) ⋆ Q 1 ) ] . L_f(
K_2\circ K_1;P,Q
)
=
\left[
D_f(P\Vert Q)
-
D_f(P_1\Vert Q_1)
\right]
+
\left[
D_f(P_1\Vert Q_1)
-
D_f(
(K_2)_{\star}P_1
\Vert
(K_2)_{\star}Q_1
)
\right]. L f ( K 2 ∘ K 1 ; P , Q ) = [ D f ( P ∥ Q ) − D f ( P 1 ∥ Q 1 ) ] + [ D f ( P 1 ∥ Q 1 ) − D f (( K 2 ) ⋆ P 1 ∥ ( K 2 ) ⋆ Q 1 ) ] . 因此：
L f ( K 2 ∘ K 1 ; P , Q ) = L f ( K 1 ; P , Q ) + L f ( K 2 ; P 1 , Q 1 ) . \boxed{
L_f(
K_2\circ K_1;P,Q
)
=
L_f(K_1;P,Q)
+
L_f(K_2;P_1,Q_1).
} L f ( K 2 ∘ K 1 ; P , Q ) = L f ( K 1 ; P , Q ) + L f ( K 2 ; P 1 , Q 1 ) . □ \boxed{\square} □ 對：
K n ∘ ⋯ ∘ K 1 , K_n\circ\cdots\circ K_1, K n ∘ ⋯ ∘ K 1 , 可遞推得到：
L f ( K n ∘ ⋯ ∘ K 1 ; P , Q ) = ∑ j = 1 n L f ( K j ; P j − 1 , Q j − 1 ) . \boxed{
L_f(
K_n\circ\cdots\circ K_1;P,Q
)
=
\sum_{j=1}^{n}
L_f(
K_j;P_{j-1},Q_{j-1}
).
} L f ( K n ∘ ⋯ ∘ K 1 ; P , Q ) = j = 1 ∑ n L f ( K j ; P j − 1 , Q j − 1 ) . 其中：
P j = ( K j ) ⋆ P j − 1 , P_j=(K_j)_{\star}P_{j-1}, P j = ( K j ) ⋆ P j − 1 , Q j = ( K j ) ⋆ Q j − 1 . Q_j=(K_j)_{\star}Q_{j-1}. Q j = ( K j ) ⋆ Q j − 1 . 這提供：
cumulative scale-information-loss ledger . \boxed{
\text{cumulative scale-information-loss ledger}.
} cumulative scale-information-loss ledger . 10. Scale Distortion
information loss 只量測某種 distinguishability 被 channel 壓縮多少。
但尺度提升還可能有另一種失真：
不同提升路徑得到不同 target probability . \text{不同提升路徑得到不同 target probability}. 不同提升路徑得到不同 target probability . 因此本文區分：
loss \boxed{
\text{loss}
} loss 與：
path distortion . \boxed{
\text{path distortion}.
} path distortion . 前者可以即使所有 transport 都完全合法仍發生。
後者則表示：
尺度路徑本身影響結果 . \boxed{
\text{尺度路徑本身影響結果}.
} 尺度路徑本身影響結果 . 11. 路徑 transport
令尺度／判定域圖中存在 path：
γ : D 0 → D 1 → ⋯ → D n . \gamma
:
\mathfrak D_0
\rightarrow
\mathfrak D_1
\rightarrow
\cdots
\rightarrow
\mathfrak D_n. γ : D 0 → D 1 → ⋯ → D n . 每條 edge：
e i : D i − 1 → D i e_i:
\mathfrak D_{i-1}
\rightarrow
\mathfrak D_i e i : D i − 1 → D i 具有 transport：
T e i . T_{e_i}. T e i . 定義 path transport：
T γ = T e n ∘ ⋯ ∘ T e 1 . \boxed{
T_{\gamma}
=
T_{e_n}
\circ
\cdots
\circ
T_{e_1}.
} T γ = T e n ∘ ⋯ ∘ T e 1 . 因此：
P n = T γ ( P 0 ) . P_n
=
T_{\gamma}(P_0). P n = T γ ( P 0 ) . 這讓多尺度概率不再只是一組分布，而是一個：
probability-flow network . \boxed{
\text{probability-flow network}.
} probability-flow network . 12. 路徑依賴
若存在兩條不同 path：
γ 1 , γ 2 : D ⇝ E , \gamma_1,
\gamma_2:
\mathfrak D
\leadsto
\mathfrak E, γ 1 , γ 2 : D ⇝ E , 則可比較：
T γ 1 ( P ) T_{\gamma_1}(P) T γ 1 ( P ) 與：
T γ 2 ( P ) . T_{\gamma_2}(P). T γ 2 ( P ) . 選擇 target-domain divergence：
D E , D_{\mathfrak E}, D E , 定義：
Δ γ 1 , γ 2 ( P ) = D E ( T γ 1 ( P ) , T γ 2 ( P ) ) . \boxed{
\Delta_{\gamma_1,\gamma_2}(P)
=
D_{\mathfrak E}
\left(
T_{\gamma_1}(P),
T_{\gamma_2}(P)
\right).
} Δ γ 1 , γ 2 ( P ) = D E ( T γ 1 ( P ) , T γ 2 ( P ) ) . 若：
Δ γ 1 , γ 2 ( P ) = 0 \Delta_{\gamma_1,\gamma_2}(P)=0 Δ γ 1 , γ 2 ( P ) = 0 對所有 admissible P P P
若：
Δ γ 1 , γ 2 ( P ) > 0 , \Delta_{\gamma_1,\gamma_2}(P)>0, Δ γ 1 , γ 2 ( P ) > 0 , 則存在：
path dependence . \boxed{
\text{path dependence}.
} path dependence . 13. 命題二：Functorial transport 導致尺度鏈路徑獨立
假設：
S \mathbf S S 是一個偏序 category。
因此若：
s ⪯ t , s\preceq t, s ⪯ t , 則 category 中至多只有一個 morphism：
s → t . s\rightarrow t. s → t . 又假設 probability transport assignment 構成 functor：
F : S → P r o b T r a n s . F:
\mathbf S
\rightarrow
\mathbf{ProbTrans}. F : S → ProbTrans . 取任意兩條 refinement chains：
s = s 0 ⪯ s 1 ⪯ ⋯ ⪯ s n = t , s=s_0\preceq s_1\preceq\cdots\preceq s_n=t, s = s 0 ⪯ s 1 ⪯ ⋯ ⪯ s n = t , 以及：
s = t 0 ⪯ t 1 ⪯ ⋯ ⪯ t m = t . s=t_0\preceq t_1\preceq\cdots\preceq t_m=t. s = t 0 ⪯ t 1 ⪯ ⋯ ⪯ t m = t . 在偏序 category 中，兩條 composite morphisms 都等於唯一：
s → t . s\rightarrow t. s → t . 由 functoriality：
F ( s → t ) = F ( s n − 1 → s n ) ∘ ⋯ ∘ F ( s 0 → s 1 ) , F(s\rightarrow t)
=
F(s_{n-1}\rightarrow s_n)
\circ
\cdots
\circ
F(s_0\rightarrow s_1), F ( s → t ) = F ( s n − 1 → s n ) ∘ ⋯ ∘ F ( s 0 → s 1 ) , 也等於：
F ( t m − 1 → t m ) ∘ ⋯ ∘ F ( t 0 → t 1 ) . F(t_{m-1}\rightarrow t_m)
\circ
\cdots
\circ
F(t_0\rightarrow t_1). F ( t m − 1 → t m ) ∘ ⋯ ∘ F ( t 0 → t 1 ) . 故：
T γ 1 = T γ 2 . \boxed{
T_{\gamma_1}
=
T_{\gamma_2}.
} T γ 1 = T γ 2 . 因此：
Δ γ 1 , γ 2 ( P ) = 0 \boxed{
\Delta_{\gamma_1,\gamma_2}(P)=0
} Δ γ 1 , γ 2 ( P ) = 0 對所有 P P P
□ \boxed{\square} □ 13.1 解讀
這個命題不是說真實世界必然 path-independent。
它告訴我們：
如果我們希望尺度 aggregation 真的是一個單純的 functorial coarse-graining，則不同 refinement chains 必須 commute。
若實驗發現：
Δ γ 1 , γ 2 ( P ) > 0 , \Delta_{\gamma_1,\gamma_2}(P)>0, Δ γ 1 , γ 2 ( P ) > 0 , 則至少有一個假設不成立：
scale base 不是單純 poset；
arrows 具有不同語義；
transport assignment 不是 functor；
intermediate context 改變了模型；
aggregation 本身具有 path dependence。
14. 閉路 defect 與概率 holonomy 類比
如果存在 loop：
γ : D ⇝ D , \gamma:
\mathfrak D
\leadsto
\mathfrak D, γ : D ⇝ D , 定義：
H γ ( P ) = D D ( P , T γ ( P ) ) . \boxed{
H_{\gamma}(P)
=
D_{\mathfrak D}
\left(
P,T_{\gamma}(P)
\right).
} H γ ( P ) = D D ( P , T γ ( P ) ) . 若：
H γ ( P ) = 0 , H_{\gamma}(P)=0, H γ ( P ) = 0 , 則這個閉路在概率對象 P P P
若：
H γ ( P ) > 0 , H_{\gamma}(P)>0, H γ ( P ) > 0 , 則沿一圈尺度／語境 transport 後，概率沒有回到原點。
本文暫稱：
probability holonomy defect . \boxed{
\text{probability holonomy defect}.
} probability holonomy defect . 必須強調：這是幾何類比與新定義，不是在宣稱已建立 differential-geometric holonomy theorem。
真正使用「holonomy」作為嚴格幾何術語之前，未來還需建立 connection、parallel transport 與適當 bundle structure。
15. 微觀、中觀、宏觀不應只是一條硬編碼階梯
先前研究常用：
μ → m → M . \mu
\rightarrow
m
\rightarrow
M. μ → m → M . 這在工程上很有用，但本文把它一般化。
一個 macro domain 可能同時接收：
D μ , 1 , D μ , 2 , … , D μ , n \mathfrak D_{\mu,1},
\mathfrak D_{\mu,2},
\ldots,
\mathfrak D_{\mu,n} D μ , 1 , D μ , 2 , … , D μ , n 的輸入。
因此更接近：
{ D μ , i } i = 1 n → D m → D M . \{
\mathfrak D_{\mu,i}
\}_{i=1}^{n}
\rightarrow
\mathfrak D_m
\rightarrow
\mathfrak D_M. { D μ , i } i = 1 n → D m → D M . 甚至不同 meso clustering：
C 1 , C 2 C_1,
C_2 C 1 , C 2 可能得到不同：
D m ( 1 ) , D m ( 2 ) . \mathfrak D_{m}^{(1)},
\qquad
\mathfrak D_{m}^{(2)}. D m ( 1 ) , D m ( 2 ) . 最後造成：
P M ( 1 ) ≠ P M ( 2 ) . P_M^{(1)}
\neq
P_M^{(2)}. P M ( 1 ) = P M ( 2 ) . 因此：
meso layer is often a modeling choice, not a uniquely given natural layer . \boxed{
\text{meso layer is often a modeling choice, not a uniquely given natural layer}.
} meso layer is often a modeling choice, not a uniquely given natural layer . 這正是 path-dependence 分析的重要來源。
16. 多尺度 aggregation 的兩步結構
從 micro 到 macro 不應直接寫：
P μ → P M . P_{\mu}
\rightarrow
P_M. P μ → P M . 一般至少需要：
第一步：形成 joint / relational structure
{ P μ , i } + dependence model → Q μ ( n ) . \{
P_{\mu,i}
\}
+
\text{dependence model}
\rightarrow
Q_{\mu}^{(n)}. { P μ , i } + dependence model → Q μ ( n ) . 第二步：形成 macro observable
g : X μ n → X M , g:
X_{\mu}^{n}
\rightarrow
X_M, g : X μ n → X M , 因此：
P M = g # Q μ ( n ) . P_M
=
g_{\#}Q_{\mu}^{(n)}. P M = g # Q μ ( n ) . 所以：
micro probabilities + dependency geometry + aggregation operator = macro probability . \boxed{
\text{micro probabilities}
+
\text{dependency geometry}
+
\text{aggregation operator}
=
\text{macro probability}.
} micro probabilities + dependency geometry + aggregation operator = macro probability . 這也是 Paper 03 的 Aggregation Witness 在幾何層的重新表達。
17. Scale Chart
為了逐步接近真正的 atlas，本文提出弱版 chart。
定義 17.1：Scale Chart
一個 scale chart 為：
U = ( U , Z U , { T D → Z U } ) , \mathcal U
=
(U,Z_U,\{T_{\mathfrak D\rightarrow Z_U}\}), U = ( U , Z U , { T D → Z U }) , 其中：
U ⊆ Ob ( J D o m ) U\subseteq\operatorname{Ob}(\mathbf{JDom}) U ⊆ Ob ( JDom ) Z U Z_U Z U 每個 D ∈ U \mathfrak D\in U D ∈ U
T D → Z U . T_{\mathfrak D\rightarrow Z_U}. T D → Z U . chart 的目的，是讓：
{ P D } D ∈ U \{
P_{\mathfrak D}
\}_{\mathfrak D\in U} { P D } D ∈ U 可以被 transport 到共同空間：
Z U Z_U Z U 中比較。
17.2 Chart overlap
若：
U ∩ V ≠ ∅ , U\cap V\neq\varnothing, U ∩ V = ∅ , 則需要 transition relation：
Φ U V : Z U ⇝ Z V . \Phi_{UV}:
Z_U
\rightsquigarrow
Z_V. Φ U V : Z U ⇝ Z V . 未來若：
transitions 可逆；
cocycle conditions 成立；
topology 已建立；
才有資格討論更嚴格的 atlas / bundle geometry。
因此 v0.1.0 只把：
chart \boxed{
\text{chart}
} chart 當成「共同比較坐標」概念。
18. 全域不是默認，而是結構
Paper 02 已提出 Explicit Globality Principle。
本文給出更強版本。
定義 18.1：Study-Global Domain
對特定研究 scope，若：
D G \mathfrak D_G D G 是 J D o m \mathbf{JDom} JDom
D i \mathfrak D_i D i 都存在：
D i → D G , \mathfrak D_i
\rightarrow
\mathfrak D_G, D i → D G , 則稱：
D G \mathfrak D_G D G 為該研究的 study-global domain。
18.1 若沒有 terminal object？
可能存在兩個 incomparable maximal domains：
D M , 1 , D M , 2 . \mathfrak D_{M,1},
\qquad
\mathfrak D_{M,2}. D M , 1 , D M , 2 . 且沒有 canonical：
D G . \mathfrak D_G. D G . 那麼：
the study has no canonical global probability . \boxed{
\text{the study has no canonical global probability}.
} the study has no canonical global probability . 這不是概率論失敗，而是 domain geometry 本身不存在唯一 global object。
18.2 相對全域
因此「global」永遠是相對於：
declared study universe . \boxed{
\text{declared study universe}.
} declared study universe . 一個研究中的 global，在更大的研究中可能只是 meso 或 local。
這與微、中、宏尺度的遞歸性完全相容。
19. Globality Certificate
如果一篇研究宣稱：
P G ( A ) = p , P_G(A)=p, P G ( A ) = p , 本文建議同步提供：
G = ( D G , U , { T i } , Γ G ) , \mathcal G
=
(
\mathfrak D_G,
\mathcal U,
\{T_i\},
\Gamma_G
), G = ( D G , U , { T i } , Γ G ) , 其中：
D G \mathfrak D_G D G U \mathcal U U { T i } \{T_i\} { T i } Γ G \Gamma_G Γ G
因此 global claim 不只是：
P ( A ) = p . \boxed{
P(A)=p.
} P ( A ) = p . 而是：
probability + coverage certificate . \boxed{
\text{probability}
+
\text{coverage certificate}.
} probability + coverage certificate . 20. Information Geometry 在本框架中的位置
Information geometry 可以嵌入：
P r o b ( D ) \mathbf{Prob}(\mathfrak D) Prob ( D ) 的單一 fiber。
例如對 parametric family：
M D = { P θ D } θ ∈ Θ , \mathcal M_{\mathfrak D}
=
\{
P_{\theta}^{\mathfrak D}
\}_{\theta\in\Theta}, M D = { P θ D } θ ∈ Θ , 可以使用 Fisher metric：
g i j D . g^{\mathfrak D}_{ij}. g ij D . 若存在 stochastic coarse-graining：
K : D → E , K:
\mathfrak D
\rightarrow
\mathfrak E, K : D → E , 則 Fisher information 在適當 Markov morphism 下具有單調性。
因此：
information geometry \boxed{
\text{information geometry}
} information geometry 可以測量「一個 fiber 內部」與「transport 後信息如何縮減」。
但：
g D g^{\mathfrak D} g D 不自動定義：
d ( D , E ) . d(
\mathfrak D,
\mathfrak E
). d ( D , E ) . 這正是本文把 in-fiber geometry 與 domain geometry 分離的原因。
21. Wasserstein Geometry 在本框架中的位置
如果兩個 probability objects 已被 transport 到同一 metric carrier：
( Z , d Z ) , (Z,d_Z), ( Z , d Z ) , 則：
W p W_p W p 可以作為非常自然的 comparison geometry。
因此 chart：
U = ( U , Z U , { T i } ) \mathcal U
=
(U,Z_U,\{T_i\}) U = ( U , Z U , { T i }) 中可以定義：
d U ( P i , P j ) = W p ( T i P i , T j P j ) . d_U(
P_i,P_j
)
=
W_p(
T_iP_i,
T_jP_j
). d U ( P i , P j ) = W p ( T i P i , T j P j ) . 這提供：
local Wasserstein chart . \boxed{
\text{local Wasserstein chart}.
} local Wasserstein chart . 但不同 chart 之間是否相容，仍然需要 transition maps。
這也是為什麼：
Wasserstein geometry ≠ judgment-domain geometry . \boxed{
\text{Wasserstein geometry}
\neq
\text{judgment-domain geometry}.
} Wasserstein geometry = judgment-domain geometry . 前者可以成為後者的 local metric ingredient。
22. Scale Curvature：暫不定義數值，只定義研究問題
既然有 path dependence：
Δ γ 1 , γ 2 ( P ) , \Delta_{\gamma_1,\gamma_2}(P), Δ γ 1 , γ 2 ( P ) , 很自然會想把它叫成「曲率」。
但 v0.1.0 暫時不直接定義：
R s c a l e . R_{\mathrm{scale}}. R scale . 原因是嚴格 curvature 需要更明確的：
connection；
tangent structure；
infinitesimal transport；
loop limit；
smoothness 或離散 curvature framework。
因此本文只提出研究問題：
判定域 probability transport 的 non-commutativity 是否可以在離散幾何、category-theoretic curvature 或 information-geometric curvature 中得到自然形式化？
目前只保留：
H γ ( P ) H_{\gamma}(P) H γ ( P ) 作為 loop defect。
這能避免過早把漂亮類比宣稱成已完成 differential geometry。
23. AI 概率場：第一個具體多尺度幾何
考慮：
s 0 = token , s_0
=
\text{token}, s 0 = token , s 1 = phrase / local semantic , s_1
=
\text{phrase / local semantic}, s 1 = phrase / local semantic , s 2 = response semantic , s_2
=
\text{response semantic}, s 2 = response semantic , s 3 = strategy , s_3
=
\text{strategy}, s 3 = strategy , s 4 = task behavior , s_4
=
\text{task behavior}, s 4 = task behavior , s 5 = model-level experimental profile . s_5
=
\text{model-level experimental profile}. s 5 = model-level experimental profile . 這不是宣稱 AI 的唯一自然尺度。
它只是某個 experiment atlas。
每個尺度都有：
D s i , \mathfrak D_{s_i}, D s i , 以及：
P s i . P_{s_i}. P s i . 跨尺度可以有：
T 01 , T 12 , T 23 , T 34 , T 45 . T_{01},
T_{12},
T_{23},
T_{34},
T_{45}. T 01 , T 12 , T 23 , T 34 , T 45 . 因此：
P s 5 = T 45 ∘ T 34 ∘ T 23 ∘ T 12 ∘ T 01 ( P s 0 ) P_{s_5}
=
T_{45}
\circ
T_{34}
\circ
T_{23}
\circ
T_{12}
\circ
T_{01}
(P_{s_0}) P s 5 = T 45 ∘ T 34 ∘ T 23 ∘ T 12 ∘ T 01 ( P s 0 ) 只在所有中間 transports 都被明確定義時才有意義。
24. AI 中的 path dependence
例如 token sequence 可以經由兩條不同 route 形成 strategy distribution。
第一條：
token → semantic class → strategy . \text{token}
\rightarrow
\text{semantic class}
\rightarrow
\text{strategy}. token → semantic class → strategy . 第二條：
token → latent embedding → strategy . \text{token}
\rightarrow
\text{latent embedding}
\rightarrow
\text{strategy}. token → latent embedding → strategy . 得到：
P s t r a t e g y ( A ) P_{\mathrm{strategy}}^{(A)} P strategy ( A ) 與：
P s t r a t e g y ( B ) . P_{\mathrm{strategy}}^{(B)}. P strategy ( B ) . 則：
Δ A , B = D s t r a t e g y ( P s t r a t e g y ( A ) , P s t r a t e g y ( B ) ) . \Delta_{A,B}
=
D_{\mathrm{strategy}}
\left(
P_{\mathrm{strategy}}^{(A)},
P_{\mathrm{strategy}}^{(B)}
\right). Δ A , B = D strategy ( P strategy ( A ) , P strategy ( B ) ) . 如果：
Δ A , B ≫ 0 , \Delta_{A,B}
\gg0, Δ A , B ≫ 0 , 就表示：
strategy probability is representation-path dependent . \boxed{
\text{strategy probability is representation-path dependent}.
} strategy probability is representation-path dependent . 這是一個真正可以實驗的命題。
25. AI Probability Fingerprint 的幾何化
先前 AI probability-field 研究可使用：
P t o k e n , P s e m a n t i c , P s t r a t e g y , P t a s k , P s u c c e s s . P_{\mathrm{token}},
P_{\mathrm{semantic}},
P_{\mathrm{strategy}},
P_{\mathrm{task}},
P_{\mathrm{success}}. P token , P semantic , P strategy , P task , P success . 現在可以把一個 model 的 fingerprint 寫成：
F ( M ) = ( P s 0 , P s 1 , … , P s n , { T i j } , { L i j } , { Δ γ a , γ b } ) . \mathcal F(M)
=
\left(
P_{s_0},
P_{s_1},
\ldots,
P_{s_n},
\{T_{ij}\},
\{L_{ij}\},
\{\Delta_{\gamma_a,\gamma_b}\}
\right). F ( M ) = ( P s 0 , P s 1 , … , P s n , { T ij } , { L ij } , { Δ γ a , γ b } ) . 所以 model fingerprint 不再只是：
一串 entropy values . \boxed{
\text{一串 entropy values}.
} 一串 entropy values . 而是：
a multi-scale probability geometry . \boxed{
\text{a multi-scale probability geometry}.
} a multi-scale probability geometry . 其中包含：
各尺度 distribution；
scale transports；
information losses；
path dependence；
approximation error；
context dependence。
26. 微—中—宏的遞歸性
某一層的 macro object 可以在更大系統中成為 micro object。
例如：
individual token → response → conversation → agent → multi-agent system . \text{individual token}
\rightarrow
\text{response}
\rightarrow
\text{conversation}
\rightarrow
\text{agent}
\rightarrow
\text{multi-agent system}. individual token → response → conversation → agent → multi-agent system . 對 conversation 而言，response 是 micro / meso。
對 multi-agent system 而言，整個 agent 仍可能只是 micro component。
因此尺度不是絕對 label。
更精確應表示：
s = s ( U ) , s
=
s(\mathcal U), s = s ( U ) , 即：
scale is relative to a declared universe of analysis . \boxed{
\text{scale is relative to a declared universe of analysis}.
} scale is relative to a declared universe of analysis . 這與本文「全域也是相對 study universe」的結論一致。
27. 多尺度概率矩陣
工程上，可以把一個研究表示成：
P = [ P μ , 1 P μ , 2 ⋯ P m , 1 P m , 2 ⋯ P M , 1 P M , 2 ⋯ P G , 1 P G , 2 ⋯ ] . \mathbf P
=
\begin{bmatrix}
P_{\mu,1} & P_{\mu,2} & \cdots \\
P_{m,1} & P_{m,2} & \cdots \\
P_{M,1} & P_{M,2} & \cdots \\
P_{G,1} & P_{G,2} & \cdots
\end{bmatrix}. P = P μ , 1 P m , 1 P M , 1 P G , 1 P μ , 2 P m , 2 P M , 2 P G , 2 ⋯ ⋯ ⋯ ⋯ . 但這個矩陣只是一個索引表。
真正結構還包括 transport tensor / edge family：
T = { T i j } , \mathbf T
=
\{
T_{ij}
\}, T = { T ij } , 以及 loss：
L = { L i j } , \mathbf L
=
\{
L_{ij}
\}, L = { L ij } , path defects：
Δ = { Δ γ a , γ b } . \mathbf \Delta
=
\{
\Delta_{\gamma_a,\gamma_b}
\}. Δ = { Δ γ a , γ b } . 因此完整對象更接近：
G P = ( J D o m , P , T , L , Δ ) . \boxed{
\mathfrak G_P
=
(
\mathbf{JDom},
\mathbf P,
\mathbf T,
\mathbf L,
\mathbf\Delta
).
} G P = ( JDom , P , T , L , Δ ) . 本文稱其為：
Judgment-Domain Probability Geometry . \boxed{
\text{Judgment-Domain Probability Geometry}.
} Judgment-Domain Probability Geometry . 28. Geometry Ledger
每個 domain node 至少保存：
domain_id
reference_scope
scale
context
formal_space
event_structure
probability_object
intrinsic_metric_or_divergence
每個 edge 至少保存：
source_domain
target_domain
transport_type
transport_witness
transport_cost
information_loss
approximation_error
每個 path 可以保存：
path_id
nodes
edges
composite_transport
cumulative_loss
target_probability
若存在 alternative path：
path_pair
path_defect
comparison_divergence
這讓多尺度概率幾何具有可審計工程形式。
29. 幾何合法性的四個層次
G0：Indexed
只有 domain / scale indexing。
G1：Connected
已有 admissible transports。
G2：Comparable
部分 fibers 已具有 comparison charts、metrics 或 divergences。
G3：Geometric
已建立足夠：
topology；
metric / divergence structure；
path composition；
transition consistency。
G4：Bundle / Connection Level
若進一步建立：
local trivialization；
connection；
parallel transport；
curvature / holonomy；
才進入真正更強的 fiber-bundle geometry。
因此本文目前主要位於：
G 1 – G 2 , \boxed{
G1\text{--}G2,
} G 1 – G 2 , 並提出通往 G 3 G3 G 3 G 4 G4 G 4
這樣可以避免把「畫一張尺度圖」過度聲稱為完整幾何理論。
30. 新穎性邊界
本文不宣稱首次提出：
Fisher information geometry；
probability manifolds；
Wasserstein geometry；
optimal transport；
multiscale Wasserstein analysis；
data-processing inequality；
Markov morphism monotonicity；
stochastic coarse-graining；
projective systems；
fiber bundles；
categorical probability。
本文提出的是：
把判定域、尺度、概率纖維與 transport witness 統一成一個幾何化研究對象 . \boxed{
\text{把判定域、尺度、概率纖維與 transport witness 統一成一個幾何化研究對象}.
} 把判定域、尺度、概率纖維與 transport witness 統一成一個幾何化研究對象 . 核心新增概念候選包括：
judgment-domain scale base；
judgment-domain fibers；
probability fibers over judgment domains；
cross-domain comparison witness；
path transport；
path-dependence defect；
probability holonomy defect；
cumulative scale-information-loss ledger；
study-global domain / globality certificate；
geometry-legality levels。
這些目前是 framework proposal，而不是宣稱已形成標準幾何分支。
31. 待證猜想與後續定理
31.1 Minimal Globality Conjecture
若尺度 category 不存在 terminal object，則任何「唯一 canonical global probability」都必須額外依賴某個 completion 或 selection principle。
31.2 Scale Path Equivalence Problem
給定兩條：
γ 1 , γ 2 : D ⇝ E , \gamma_1,\gamma_2:
\mathfrak D\leadsto\mathfrak E, γ 1 , γ 2 : D ⇝ E , 判定：
T γ 1 = T γ 2 T_{\gamma_1}
=
T_{\gamma_2} T γ 1 = T γ 2 的最小充分條件是什麼？
31.3 Distortion Accumulation Theorem
若每條 edge 只有 approximate transport：
d ( T e P , Q e ) ≤ ε e , d(
T_eP,
Q_e
)
\le
\varepsilon_e, d ( T e P , Q e ) ≤ ε e , 則一條長 path 的總幾何失真可以得到何種 sharp bound？
31.4 Chart Compatibility Problem
何時兩個 comparison charts：
( U , Z U ) , (U,Z_U), ( U , Z U ) , ( V , Z V ) (V,Z_V) ( V , Z V ) 能在 overlap 上形成一致 probability geometry？
31.5 Holonomy Classification Problem
非零：
H γ ( P ) H_{\gamma}(P) H γ ( P ) 究竟來自：
representation change；
information loss；
noncommuting aggregation；
context shift；
stochasticity；
中的哪一種結構？
32. 通往 Paper 05：遞歸概率場
到目前為止，一個判定域：
D \mathfrak D D 承載一階概率：
P D . P_{\mathfrak D}. P D . 但最初的研究問題還包含：
概率場的概率場的概率場 … \boxed{
\text{概率場的概率場的概率場}\ldots
} 概率場的概率場的概率場 … 因此下一篇將加入 probability order：
r = 0 , 1 , 2 , … r
=
0,1,2,\ldots r = 0 , 1 , 2 , … 並定義：
P 0 ( X ) = X , \mathsf P^0(X)
=
X, P 0 ( X ) = X , P r + 1 ( X ) = P ( P r ( X ) ) . \mathsf P^{r+1}(X)
=
\mathsf P(
\mathsf P^r(X)
). P r + 1 ( X ) = P ( P r ( X )) . 到那時本文的尺度軸：
s s s 與概率階軸：
r r r 會真正交叉成：
( s , r ) . \boxed{
(s,r).
} ( s , r ) . 如果再加入時間：
t , t, t , 便得到：
P s , t ( r ) . \boxed{
\mathfrak P_{s,t}^{(r)}.
} P s , t ( r ) . 因此 Paper 04 的真正功能，是先建立：
概率階數進入之前的尺度幾何底座 . \boxed{
\text{概率階數進入之前的尺度幾何底座}.
} 概率階數進入之前的尺度幾何底座 . 33. 結論
本文把判定域概率論從：
單域 \text{單域} 單域 推向：
域網路 . \text{域網路}. 域網路 . 從：
單箭頭 lifting \text{單箭頭 lifting} 單箭頭 lifting 推向：
path transport . \text{path transport}. path transport . 從：
local/global 二分 \text{local/global 二分} local/global 二分 推向：
multi-scale geometry . \text{multi-scale geometry}. multi-scale geometry . 整體結構可概括為：
S ← J D o m ← P r o b O b j . \boxed{
\mathbf S
\leftarrow
\mathbf{JDom}
\leftarrow
\mathbf{ProbObj}.
} S ← JDom ← ProbObj . 其中尺度基底 S \mathbf S S
概率分布內部已有成熟的 Fisher / information geometry 與 Wasserstein / optimal-transport geometry。
本文真正新增的研究方向則是：
geometry between the domains that host those probabilities . \boxed{
\text{geometry between the domains that host those probabilities}.
} geometry between the domains that host those probabilities . 跨尺度比較必須先找到共同 comparison domain。
跨尺度提升必須提供 transport witness。
coarse-graining 的 information loss 可以由 data-processing divergence loss 記錄。
多步 stochastic transport 的 loss 可以望遠鏡式分解。
不同 aggregation paths 若產生不同結果，則可由：
Δ γ 1 , γ 2 ( P ) \Delta_{\gamma_1,\gamma_2}(P) Δ γ 1 , γ 2 ( P ) 測量 path dependence。
閉路後無法回復原分布，則由：
H γ ( P ) H_{\gamma}(P) H γ ( P ) 記錄 probability holonomy defect。
最重要的是，全域不再被當成：
沒有下標的概率 . \text{沒有下標的概率}. 沒有下標的概率 . 而是：
一個被明示、被覆蓋、被證明可由研究域接入的 global judgment domain . \boxed{
\text{一個被明示、被覆蓋、被證明可由研究域接入的 global judgment domain}.
} 一個被明示、被覆蓋、被證明可由研究域接入的 global judgment domain . 若不存在唯一 terminal / designated maximal domain，就不應假定存在唯一 canonical global probability。
因此截至 Paper 04，本系列已形成：
History → Judgment Domain → Lifting Calculus → Multi-Scale Probability Geometry . \boxed{
\text{History}
\rightarrow
\text{Judgment Domain}
\rightarrow
\text{Lifting Calculus}
\rightarrow
\text{Multi-Scale Probability Geometry}.
} History → Judgment Domain → Lifting Calculus → Multi-Scale Probability Geometry . 下一步將沿著第二個獨立方向展開：
Probability Order . \boxed{
\text{Probability Order}.
} Probability Order . 也就是：
Recursive Probability Fields . \boxed{
\text{Recursive Probability Fields}.
} Recursive Probability Fields . 參考文獻
[1] Neo.K. (2026). 《判定域概率論：概率之前的容器、空間與量詞》. JDPSP-02, EveMissLab.
[2] Neo.K. (2026). 《局部概率與全域概率：尺度提升的合法性與判定域提升演算》. JDPSP-03, EveMissLab.
[3] Ay, N., Jost, J., Lê, H. V., & Schwachhöfer, L. (2017). Information Geometry . Springer. Earlier foundational paper: Information Geometry and Sufficient Statistics, arXiv:1207.6736.
[4] Lê, H. V. (2017). The Uniqueness of the Fisher Metric as Information Metric. Annals of the Institute of Statistical Mathematics , 69, 879--896. Preprint: arXiv:1306.1465.
[5] Panaretos, V. M., & Zemel, Y. (2019). Statistical Aspects of Wasserstein Distances. Annual Review of Statistics and Its Application , 6, 405--431. Preprint: arXiv:1806.05500.
[6] Seguy, V., & Cuturi, M. (2015). Principal Geodesic Analysis for Probability Measures under the Optimal Transport Metric. arXiv:1506.07944.
[7] Itoh, M., & Satoh, H. (2022). Information Geometry of the Space of Probability Measures and Barycenter Maps. arXiv:2208.11861.
[8] Perrone, P. (2022). Markov Categories and Entropy. arXiv:2212.11719.
[9] Hilder, B., & Sharma, U. (2022). Quantitative Coarse-Graining of Markov Chains. arXiv:2201.10256.
[10] Fritz, T., Klingler, A., McNeely, D., Shah-Mohammed, A., & Wang, Y. (2024). Hidden Markov Models and the Bayes Filter in Categorical Probability. arXiv:2401.14669.
[11] Mattar, W., & Sharon, N. (2025). Multiscaling in Wasserstein Spaces. arXiv:2509.10415.
[12] Maity, R., Mahapatra, S., & Sarkar, T. (2015). Information Geometry and the Renormalization Group. arXiv:1503.03978.
[13] Berman, D. S., & Klinger, M. S. (2022). The Inverse of Exact Renormalization Group Flows as Statistical Inference. arXiv:2212.11379.
Appendix A. 最小符號表
符號
意義
S \mathbf S S 尺度 category / base
J D o m \mathbf{JDom} JDom 判定域 category / indexed domain family
π : J D o m → S \pi:\mathbf{JDom}\to\mathbf S π : JDom → S 尺度投影
J D o m s \mathbf{JDom}_s JDom s 尺度 s s s
P r o b ( D ) \mathbf{Prob}(\mathfrak D) Prob ( D ) 判定域 D \mathfrak D D
d S d_S d S 尺度結構距離
d D d_{\mathfrak D} d D 判定域 fiber 內的 probability distance/divergence
C J C_J C J 跨判定域 comparison cost
T e T_e T e edge transport
T γ T_{\gamma} T γ path transport
L f L_f L f stochastic coarse-graining distinguishability loss
Δ γ 1 , γ 2 \Delta_{\gamma_1,\gamma_2} Δ γ 1 , γ 2 path-dependence defect
H γ H_{\gamma} H γ loop / probability-holonomy defect
D G \mathfrak D_G D G study-global judgment domain
G \mathcal G G globality certificate
Appendix B. 幾何合法性分級
G 0 → G 1 → G 2 → G 3 → G 4. G0
\rightarrow
G1
\rightarrow
G2
\rightarrow
G3
\rightarrow
G4. G 0 → G 1 → G 2 → G 3 → G 4.
G 0 G0 G 0 G 1 G1 G 1 G 2 G2 G 2 G 3 G3 G 3 G 4 G4 G 4
Paper 04 v0.1.0 主要聲稱建立：
G 1 – G 2 G1\text{--}G2 G 1 – G 2 的形式化接口，而非宣稱已完成 G 4 G4 G 4
Appendix C. Canonical Geometry Record
node:
domain_id:
reference_scope:
scale:
context:
formal_space:
event_structure:
probability_object:
intrinsic_metric_or_divergence:
edge:
source_domain:
target_domain:
transport_type:
transport_witness:
transport_cost:
information_loss:
approximation_error:
path:
path_id:
nodes:
edges:
composite_transport:
cumulative_loss:
target_probability:
path_comparison:
path_a:
path_b:
target_domain:
comparison_divergence:
path_defect:
globality:
global_domain:
covered_domains:
lifting_witnesses:
coverage_conditions:
terminal_or_designated_maximal: