← Archive
lm-004552 · 2026-10

HFMU-014｜Multi-Scale Obligation Information Geometry

en · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗

HFMU-014｜Multi-Scale Obligation Information Geometry

0. 問題

HFMU-013 把原本的 class-count rank：

H0H_0

打掉，並用：

H1H_1

修回一般 submodularity。

現在問題是：

Shannon 只是剛好其中一個好用的 entropy order，還是它在 Obligation Geometry 裡真的有唯一性？

本輪掃：

H0,  H1/2,  H1,  H2,  H∞H_0,\; H_{1/2},\; H_1,\; H_2,\; H_\infty

以及：

α=0,0.05,0.10,…,4.00.\alpha=0,0.05,0.10,\ldots,4.00.

結果非常乾淨。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-07（整理日期；原稿未標註日期）
版本： 原稿未標註（本次整理版）

1. Dense scan：只有 α=1\alpha=1 零反例

使用三個 binary obligations、 {0,1}3\{0,1\}^3 的全部 255 個非空 supports。

在：

0≤α≤40\le\alpha\le4

步長：

0.050.05

的 81 個 Rényi orders 中，

唯一：

0 submodularity violations\boxed{ 0\text{ submodularity violations} }

的 order 是：

α=1.\boxed{ \alpha=1. }

2. 幾個代表性數字

α\alpha 違反 supports / 255 最小反例 states 最差 slack
0 24 5 -0.15200
0.5 24 5 -0.06677
0.9 24 5 -0.01155
1 0 — 約 0
1.1 24 4 -0.01733
2 32 4 -0.16993
3 80 4 -0.32193
5 196 3 -0.54373
∞\infty 204 3 -1.0000

可以看到：

  • α<1\alpha<1：rare classes 被加重；
  • α>1\alpha>1：high-probability classes 被加重；
  • 離 11 越遠，這個小型 universe 中 violation 通常越嚴重。

3. 這不是 grid coincidence：兩個解析反例覆蓋所有 α≠1\alpha\neq1

對：

0≤α<10\le\alpha<1

五態反例直接得到：

Δα=11−αlog⁡2(2⋅2α+1)25(4α+1).\Delta_\alpha = \frac{1}{1-\alpha} \log_2 \frac{(2\cdot2^\alpha+1)^2} {5(4^\alpha+1)}.

而：

5(4α+1)−(2⋅2α+1)2=(2α−2)2>0.5(4^\alpha+1) - (2\cdot2^\alpha+1)^2 = (2^\alpha-2)^2>0.

故：

Δα<0.\Delta_\alpha<0.

對：

α>1\alpha>1

四態反例：

Δα=11−αlog⁡2(2α+2)22α+3,\Delta_\alpha = \frac{1}{1-\alpha} \log_2 \frac{(2^\alpha+2)^2} {2^{\alpha+3}},

且：

(2α+2)2−2α+3=(2α−2)2>0.(2^\alpha+2)^2 - 2^{\alpha+3} = (2^\alpha-2)^2>0.

因此又有：

Δα<0.\Delta_\alpha<0.

所以：

α=1\boxed{ \alpha=1 }

在：

[0,∞][0,\infty]

整個 Rényi family 中被精確孤立。

4. 完整 support 也會壞

為避免「只是因為某些 cube states 機率為 0」這個疑問，

本輪另外搜尋完整：

8/88/8

states 都有正機率的 priors。

結果仍能找到：

  • α=0.5\alpha=0.5：slack 約 -0.0800；
  • α=0.9\alpha=0.9：slack 約 -0.00764；
  • α=1.1\alpha=1.1：slack 約 -0.01093；
  • α=2\alpha=2：slack 約 -0.14439；
  • α=∞\alpha=\infty：slack 約 -0.73461。

所以 α≠1\alpha\neq1 的 failure 不是 support holes 才會發生。

5. Multi-Scale Geometry 還是有意義

定義：

Nα(O)=2Hα(ZO).\boxed{ N_\alpha(\mathcal O) = 2^{H_\alpha(Z_{\mathcal O})}. }

它可以被理解為不同 risk weighting 下的「有效 predictive distinctions 數」。

α=0\alpha=0

N0=∣supp⁡Z∣.N_0 = |\operatorname{supp}Z|.

每個可能 class 都算一票，不管多罕見。

是 support / worst-case possibility geometry。

0<α<10<\alpha<1

放大 rare classes。

比較適合：

稀有但不能忽略的 obligation outcomes。

α=1\alpha=1

Shannon。

平衡 probability mass，而且唯一保有 universal submodularity。

α>1\alpha>1

逐漸偏重常見 classes。

α=∞\alpha=\infty

N∞=1pmax⁡.N_\infty = \frac{1}{p_{\max}}.

幾乎只看最大 class。

6. 所有 Rényi orders 仍然保有單調性

雖然 submodularity 幾乎全死，

但如果 obligation 變強：

O1⊆O2,\mathcal O_1\subseteq\mathcal O_2,

predictive partition 只會 refine。

Rényi entropy 對 partition splitting 單調，因此：

Hα(ZO1)≤Hα(ZO2)\boxed{ H_\alpha(Z_{\mathcal O_1}) \le H_\alpha(Z_{\mathcal O_2}) }

對所有：

α≥0\alpha\ge0

都成立。

所以 multi-scale geometry 不是沒用了。

而是：

monotone resolution family\boxed{ \text{monotone resolution family} }

普遍存在，

但：

polymatroid composition law\boxed{ \text{polymatroid composition law} }

只有 Shannon order 普遍存在。

7. 這讓 Distinction Economy 分成兩層

第一層：

Resolution / Risk Scale\boxed{ \text{Resolution / Risk Scale} }

由：

α\alpha

決定你如何看待 rare vs common distinctions。

第二層：

Compositional Information Geometry\boxed{ \text{Compositional Information Geometry} }

若希望 obligation union / overlap 擁有穩定的次模結構，

則被迫選：

α=1.\boxed{ \alpha=1. }

所以 Shannon 不只是「平均資訊量」。

在這個框架裡，它是：

唯一能讓 predictive distinctions 在 obligation 組合下普遍形成 polymatroid geometry 的 Rényi order。

8. 對 HFMU 整條線的更新

現在我們走過：

idempotence→terminalization→contraction→distinction economy→obligation-relative quotient→obligation information geometry.\text{idempotence} \rightarrow \text{terminalization} \rightarrow \text{contraction} \rightarrow \text{distinction economy} \rightarrow \text{obligation-relative quotient} \rightarrow \text{obligation information geometry}.

而 HFMU-014 又告訴我們：

不是每種 distinction measure 都同樣能組合。\boxed{ \text{不是每種 distinction measure 都同樣能組合。} }

真正具有一般 compositional law 的 measure，

至少在 Rényi family 中，

就是：

Shannon information.\boxed{ \text{Shannon information}. }

9. 下一步

HFMU-015 不應繼續換 entropy 公式。

現在更值得問：

為什麼長程形式推理若要求「可組合的 Distinction Economy」，會自然把我們推向 Shannon 型資訊量？

也就是把：

predictive quotient+composition+submodularity\boxed{ \text{predictive quotient} + \text{composition} + \text{submodularity} }

反過來當 axioms，

看看能否導出／逼近 Shannon information。

如果成立，這條線會從：

實驗發現\text{實驗發現}

進到：

資訊量的結構性選擇原理.\boxed{ \text{資訊量的結構性選擇原理}. }