--- title: "動態判定域與開放系統概率：時間變動空間、邊界流與概率質量分離" english_title: "Dynamic Judgment Domains and Open-System Probability: Time-Varying Spaces, Boundary Flow, and the Separation of Probability from Mass" series: "判定域概率論與超概率研究" series_id: "JDPSP" paper_id: "JDPSP-07" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "研究初稿 / dynamic probability framework proposal" date: "2026-08-14" language: "zh-TW" --- # 動態判定域與開放系統概率 ## 時間變動空間、邊界流與概率質量分離 **作者：** Neo.K **機構：** EveMissLab **系列：** 判定域概率論與超概率研究，Paper 07 **版本：** v0.1.0 **日期：** 2026-08-14 ## 摘要 本篇將前六篇建立的判定域、多尺度概率幾何、遞歸概率階與零測度點結構加入時間維度，並重新檢查作者早期《綜合概率論：開放系統中的超因果測度理論》與《綜合測度論：關係的量化與動態積分》中的開放系統主張。 舊框架中最需要修正的一點，是把 Kolmogorov 歸一化 $$ P(\Omega)=1 $$ 直接解讀成「封閉系統假設」，並進一步允許 $P>1$ 或 $P<0$ 來表達外部注入與概率擦除。本文撤回這種作為標準 probability measure 的表述。開放性不要求真正概率超過 $1$ 或變成負數。當 probability mass 從一個被截取的子系統流出時，可以使用 subprobability measure、partial kernel、absorbing / cemetery completion 或 open Markov process；當系統存在人口、能量、權重、強度或 source–sink 流而總量可超過 $1$ 時，應使用非負 finite measure $\mu_t$ 或 intensity，而不是把它仍稱為 probability $P_t$。若需要負值，則數學對象應明確改稱 signed measure、quasiprobability 或其他非概率權重。 本文因此把動態開放系統拆成兩個層次。第一層為真正概率： $$ P_t\in\mathsf P(X_t), \qquad P_t(X_t)=1. $$ 第二層為可變總質量： $$ \mu_t\in\mathcal M_+(X_t), \qquad M_t=\mu_t(X_t)\in[0,\infty). $$ 若 $M_t>0$，則唯一分解為： $$ \boxed{ \mu_t=M_tP_t, \qquad P_t=\frac{\mu_t}{M_t}. } $$ 因此「系統總量變動」與「條件於系統內仍存在時的概率分布形狀」可以被嚴格分離。 本文定義動態判定域： $$ \boxed{ \mathfrak D_t = (X_t,\Sigma_t;r_t,s_t,c_t), } $$ 以及跨時間 stochastic transport： $$ K_{s,t}: X_s \rightsquigarrow X_t. $$ 當： $$ K_{s,t}(x,X_t)=1 $$ 時為 probability-preserving kernel；當： $$ K_{s,t}(x,X_t)\le1 $$ 時可視為 sub-Markov transport。若兩參數 kernels 滿足： $$ K_{s,u} = K_{t,u}\circ K_{s,t}, \qquad s\le t\le u, $$ 則形成 time-inhomogeneous evolution family。本文不宣稱時間非齊次 Markov process、moving-domain stochastic process 或 measure-valued process 為新概念；既有研究已處理固定與變動 state spaces、moving domains、open Markov boundary flows、McKean–Vlasov measure flows 與 partial Markov categories。 本文新增的層次，是把這些動態概率工具與判定索引綁定，形成 dynamic transport witness： $$ \boxed{ \mathcal W^{\mathrm{dyn}}_{s,t} = ( \tau_{s,t}, K_{s,t}, \Gamma_{s,t}, \mathcal B_{s,t}, \mathcal S_{s,t} ), } $$ 其中 $\tau_{s,t}$ 記錄 reference / scale / context 的時間轉譯， $\Gamma_{s,t}$ 記錄 regularity 與 model assumptions， $\mathcal B_{s,t}$ 記錄 boundary / escape structure， $\mathcal S_{s,t}$ 記錄 source–sink data。 本文證明三個基本結果。第一，任何非零 finite measure 都唯一分解成 total mass 與 normalized probability。第二，任何 subprobability measure 都可以藉由新增一個 cemetery state 唯一補成 probability measure。第三，若 $\mu_t$ 滿足 weak source–sink evolution，則 normalized law $P_t=\mu_t/M_t$ 的演化方程會額外出現一個 normalization drift，精確區分 distributional evolution 與 total-mass evolution。 最後，本文把前三條軸合併： $$ \boxed{ \mathfrak P_{s,t}^{(r)}. } $$ 其中 $s$ 是尺度， $t$ 是時間， $r$ 是 probability order。這完成本系列第一次真正的三軸結構： $$ \boxed{ \text{Scale} \times \text{Time} \times \text{Probability Order}. } $$ **關鍵詞：** 動態判定域、開放系統概率、time-inhomogeneous Markov process、subprobability、finite measure、boundary flow、source–sink、cemetery state、measure-valued process、動態測度、概率質量、判定域 --- # 1. 舊框架的第一個修正：歸一化不等於封閉宇宙 早期《綜合概率論》曾把： $$ P(\Omega)=1 $$ 直接解讀為： > 系統沒有概率流入／流出，因此是封閉系統。 這個推論過強。 標準概率歸一化真正表示的是： $$ \boxed{ \text{在目前被宣告為完整 outcome space 的 }\Omega\text{ 上，總概率為 }1. } $$ 它不自動表示： - 物理系統與環境沒有交互作用； - state distribution 不隨時間變化； - probability current 必為零； - 系統沒有 memory； - 沒有 boundary flow； - 沒有外部驅動。 Open Markov processes 已可在標準概率語言中處理 boundary states 與非零 probability currents。 Open quantum systems 亦可使用 completely positive trace-preserving dynamical maps，使 reduced state 的 trace 保持： $$ \operatorname{Tr}\rho_t=1. $$ 因此： $$ \boxed{ \text{openness} \neq \text{failure of probability normalization}. } $$ --- # 2. 第二個修正： $P>1$ 不是 open-system probability 如果： $$ P $$ 是真正 probability measure，則必有： $$ 0\le P(A)\le1 $$ 對所有 measurable event $A$ 成立。 若某個 quantity 可以： $$ >1, $$ 它可以是： - population； - mass； - intensity； - energy； - unnormalized weight； - expected count； - likelihood density value； - Radon–Nikodym density； - signed / complex amplitude 的模或分量； 但不能在不改變定義的情況下仍稱為 event probability。 因此本文將早期： $$ P>1 $$ 的「概率溢出」重新分類為： $$ \boxed{ \text{unnormalized mass / intensity overflow}. } $$ 若要保留符號，應改寫為： $$ \mu(A)>1 $$ 而不是： $$ P(A)>1. $$ --- # 3. 第三個修正：負值應改稱 signed / quasi quantity 標準 probability measure 要求： $$ P(A)\ge0. $$ 因此早期： $$ P(A)<0 $$ 的「概率擦除」不能作為 ordinary probability。 如果研究確實需要負值，可以使用： $$ \nu: \Sigma \rightarrow \mathbb R $$ 的 signed measure，或在量子相空間中使用 quasiprobability。 此時必須明確標記： $$ \boxed{ \text{negative weight} \neq \text{negative event probability}. } $$ 因此本系列數學核心不再使用「負概率代表事件存在性債務」作為 probability axiom。 若這種語義仍有理論價值，只能留在 interpretation / application 層，而不能混入標準概率公理。 --- # 4. 舊框架中可以保留的核心 早期《綜合概率論》與《綜合測度論》中真正值得保留的是： $$ \boxed{ \Omega=\Omega(t), \qquad \mathcal F=\mathcal F(t), \qquad \mu=\mu_t, } $$ 以及： $$ \boxed{ \partial_t\mu_t = \text{flow} + \text{source} - \text{sink}. } $$ 這些思想與現代： - time-inhomogeneous stochastic processes； - stochastic PDEs on moving domains； - measure-valued processes； - Fokker–Planck / Kolmogorov evolution； - open Markov processes； - partial stochastic maps； 存在直接接口。 所以 Paper 07 不再把舊理論建立在「概率公理破缺」上，而改建成： $$ \boxed{ \text{dynamic domain} + \text{dynamic measure} + \text{boundary/source transport}. } $$ --- # 5. 既有理論邊界 ## 5.1 Time-Inhomogeneous Markov Evolution 傳統 time-homogeneous Markov semigroup 常寫為： $$ K_{t+s} = K_tK_s. $$ 時間非齊次情況則自然使用兩參數 transition family： $$ K_{s,t}. $$ 其 composition law 為： $$ \boxed{ K_{s,u} = K_{t,u}\circ K_{s,t}. } $$ 因此： $$ \boxed{ \text{transition law itself can depend on absolute time}. } $$ 這不是本文新概念。 ## 5.2 Time-Varying State Spaces moving-domain stochastic PDE 已明確研究： $$ X_t $$ 隨時間變動的 state spaces。 例如 moving spatial domain： $$ I_t=(0,a_t) $$ 使 solution space： $$ L^2(I_t) $$ 本身依賴時間。 因此： $$ \boxed{ X_t\neq X_s } $$ 的 stochastic evolution 已有既有數學前例。 ## 5.3 Measure-Valued Processes McKean–Vlasov、filtering、Feynman–Kac flows 與其他 nonlinear stochastic systems 中，probability distribution 本身可以成為動態 state： $$ t\mapsto P_t. $$ 甚至 conditional law： $$ P_t $$ 本身可以是一個 measure-valued stochastic process。 所以： $$ \boxed{ \text{probability distribution evolves as a state} } $$ 本身也不是新命題。 ## 5.4 Open Markov Processes Open Markov processes 允許 probability current 經由指定 boundary states 流入流出。 因此本文的 boundary-flow language 必須與既有 open-system Markov theory 對話。 ## 5.5 Partial Markov Categories Partial Markov categories 與 partializations 已處理 partial stochastic morphisms、normalisation、observations 與 partial kernels。 因此本文不重新發明 subprobability / partial stochastic semantics。 --- # 6. Dynamic Judgment Domain Paper 02 定義靜態判定域： $$ \mathfrak D = (X,\Sigma;r,s,c). $$ 現在加入時間： ### 定義 6.1 $$ \boxed{ \mathfrak D_t = (X_t,\Sigma_t;r_t,s_t,c_t). } $$ 其中： - $X_t$：時間 $t$ 的 carrier； - $\Sigma_t$：當時可測事件結構； - $r_t$：reference scope； - $s_t$：scale； - $c_t$：observation / model context。 因此 domain evolution 可能發生在不同層： $$ X_t, \qquad \Sigma_t, \qquad r_t, \qquad s_t, \qquad c_t. $$ --- # 7. Dynamic Probability State 在 $\mathfrak D_t$ 上有兩種需要嚴格區分的 measure objects。 ## 7.1 Normalized Probability Mode $$ \boxed{ P_t\in\mathsf P(X_t), \qquad P_t(X_t)=1. } $$ 這是 ordinary probability law。 ## 7.2 Open Mass Mode $$ \boxed{ \mu_t\in\mathcal M_+(X_t), } $$ 其中： $$ M_t = \mu_t(X_t) $$ 不要求等於 $1$。 $\mu_t$ 可以表示： - population mass； - particle mass； - intensity； - probability mass before conditioning on survival； - unnormalized filtering density； - open-system occupancy weight。 因此： $$ \boxed{ \mu_t \neq P_t } $$ 除非： $$ M_t=1. $$ --- # 8. 定理一：Mass–Probability 唯一分解 ### 命題 8.1 令： $$ \mu $$ 為非零 finite nonnegative measure。 定義： $$ M=\mu(X)>0. $$ 則： $$ \boxed{ P=\frac{\mu}{M} } $$ 是 probability measure，且： $$ \boxed{ \mu=MP. } $$ 此分解唯一。 ### 證明 有： $$ P(X) = \frac{\mu(X)}{M} = 1. $$ 所以 $P$ 是 probability measure。 若： $$ \mu=M_1P_1=M_2P_2 $$ 且 $P_1,P_2$ 均為 probability，取全空間： $$ M_1 = \mu(X) = M_2. $$ 因此： $$ P_1=P_2=\frac{\mu}{\mu(X)}. $$ $$ \boxed{\square} $$ --- # 9. 這個分解修正了早期「概率溢出」 假設 open system 中： $$ \mu_t(X_t)=3.7. $$ 正確解讀不是： $$ \boxed{ P_t(X_t)=3.7. } $$ 而是： $$ \boxed{ M_t=3.7 } $$ 以及： $$ \boxed{ P_t = \frac{\mu_t}{3.7}. } $$ 前者是 total mass / intensity。 後者才是 conditional probability shape。 所以： $$ \boxed{ \text{mass dynamics} \neq \text{probability normalization failure}. } $$ --- # 10. Subprobability 與 Escape 若： $$ \widetilde P $$ 滿足： $$ 0\le \widetilde P(X) \le1, $$ 稱為 subprobability measure。 它自然描述： > 只記錄「仍留在目前 domain 內」的 probability mass，而把已離開者省略。 例如： $$ \widetilde P_t(X)=0.83 $$ 可以表示： $$ 17\% $$ 的 probability mass 已逃離 current domain。 --- # 11. 定理二：Cemetery Completion ### 命題 11.1 令： $$ \widetilde P $$ 為 $X$ 上的 subprobability measure。 加入一個新點： $$ \partial\notin X. $$ 令： $$ \bar X = X\cup\{\partial\}. $$ 定義： $$ \boxed{ \bar P(A) = \widetilde P(A\cap X) + \left( 1-\widetilde P(X) \right) \mathbf 1_{\{\partial\in A\}}. } $$ 則 $\bar P$ 是 $\bar X$ 上的 probability measure。 而且在固定 cemetery point $\partial$ 與原 $X$ restriction 的條件下，此 completion 唯一。 ### 證明 有： $$ \bar P(\bar X) = \widetilde P(X) + 1-\widetilde P(X) = 1. $$ 可列可加性由 $\widetilde P$ 與單點 measure 得到。 若另一 probability $\bar Q$ 在 $X$ 上 restriction 等於 $\widetilde P$，則： $$ \bar Q(\{\partial\}) = 1-\bar Q(X) = 1-\widetilde P(X). $$ 故： $$ \bar Q=\bar P. $$ $$ \boxed{\square} $$ --- # 12. Escape Probability 不需要破壞歸一化 由 Cemetery Completion： $$ \widetilde P_t(X_t)<1 $$ 可以等價改寫成： $$ \bar P_t(\bar X_t)=1 $$ 並令： $$ \bar P_t(\partial) = 1-\widetilde P_t(X_t). $$ 因此： $$ \boxed{ \text{probability leakage} } $$ 可以理解成： $$ \boxed{ \text{probability transfer to an outside / cemetery state}. } $$ 而不是： $$ \boxed{ \text{Kolmogorov normalization breaking}. } $$ --- # 13. Dynamic Kernel Between Different State Spaces 令： $$ s0, $$ 且： $$ P_t=\frac{\mu_t}{M_t}. $$ 由： $$ \mu_t=M_tP_t, $$ 對 test function $f$： $$ \langle f,\mu_t\rangle = M_t\langle f,P_t\rangle. $$ 微分： $$ \frac{d}{dt} \langle f,\mu_t\rangle = \dot M_t \langle f,P_t\rangle + M_t \frac{d}{dt} \langle f,P_t\rangle. $$ 代入 weak evolution： $$ \frac{d}{dt} \langle f,\mu_t\rangle = M_t \langle L_tf,P_t\rangle + \langle f,\sigma_t\rangle. $$ 所以： $$ \boxed{ \frac{d}{dt} \langle f,P_t\rangle = \langle L_tf,P_t\rangle + \frac{ \langle f,\sigma_t\rangle }{ M_t } - \frac{ \dot M_t }{ M_t } \langle f,P_t\rangle. } $$ 若： $$ L_t1=0, $$ 則： $$ \dot M_t=\sigma_t(X). $$ 故： $$ \boxed{ \frac{d}{dt} \langle f,P_t\rangle = \langle L_tf,P_t\rangle + \frac{ \langle f,\sigma_t\rangle - \sigma_t(X)\langle f,P_t\rangle }{ M_t }. } $$ $$ \boxed{\square} $$ --- # 21. 這條式子區分兩種變化 前式將 open-system dynamics 分成： 第一部分： $$ \langle L_tf,P_t\rangle $$ 代表 domain 內部 probability shape 的 stochastic dynamics。 第二部分： $$ \frac{ \langle f,\sigma_t\rangle - \sigma_t(X)\langle f,P_t\rangle }{ M_t } $$ 代表 source / sink 對 normalized law 的重塑。 所以： $$ \boxed{ \text{distribution change} } $$ 與： $$ \boxed{ \text{total mass change} } $$ 終於被數學上分開。 --- # 22. 封閉、開放與截斷其實是三種不同概念 ## 22.1 Closed Modeling Domain 研究已經把所有 relevant outcomes 放入： $$ X_t. $$ 則： $$ P_t(X_t)=1. $$ ## 22.2 Open Physical System 系統和 environment 交互作用，但仍可對 subsystem states 定義： $$ P_t(X_t)=1. $$ 開放性表現在： - transition kernel； - memory； - driving； - boundary currents； - non-equilibrium dynamics； 而非必然表現在 normalization failure。 ## 22.3 Truncated Observation Domain 研究只追蹤部分 states。 此時： $$ \widetilde P_t(X_t)\le1 $$ 可以是 subprobability。 所以： $$ \boxed{ \text{open} \neq \text{subnormalized} } $$ 但 open modeling 經常可以自然產生 subnormalized representation。 --- # 23. Whole-System Embedding 設： $$ X_S $$ 是 subsystem， $$ X_E $$ 是 environment。 可在 joint space： $$ X_S\times X_E $$ 上有 normalized： $$ P_{SE,t}. $$ subsystem marginal： $$ P_{S,t} = (\pi_S)_\#P_{SE,t} $$ 仍滿足： $$ P_{S,t}(X_S)=1. $$ 所以 environment interaction 不會自動使 subsystem marginal 不歸一。 真正變化的是： $$ P_{S,t} $$ 的 time evolution，且可能失去 Markov property。 --- # 24. Dynamic Domain Change 的五種等級 本文將 domain dynamics 暫分為： ### D0：Measure-Only Dynamics $$ X_t=X, \qquad \Sigma_t=\Sigma, $$ 只變： $$ P_t. $$ ### D1：Kernel Dynamics carrier 固定，但： $$ K_{s,t} $$ 依賴時間。 ### D2：Context Dynamics $$ c_t $$ 改變，如 prompt、memory、intervention、protocol。 ### D3：Event-Algebra Dynamics $$ \Sigma_t $$ 本身改變。 ### D4：Carrier Dynamics $$ X_t $$ 本身 birth / death / deformation。 ### D5：Reference / Scale Dynamics $$ r_t $$ 或： $$ s_t $$ 發生變化。 這些層可以同時出現。 --- # 25. Dynamic Domain Equivalence 兩個時間： $$ s,t $$ 可能形式上 carrier 不同，但只是 coordinate deformation。 若存在 measurable isomorphism： $$ \phi_{s,t}: X_s \cong X_t $$ 且 judgment index translation 保持語義，則 domain change 可以視為 representation change。 所以： $$ \boxed{ X_s\neq X_t } $$ 不自動代表本體上有 state birth / death。 必須區分： $$ \boxed{ \text{true domain change} } $$ 與： $$ \boxed{ \text{coordinate change}. } $$ --- # 26. Moving-Domain Embedding 既有 moving-domain stochastic PDE 常把： $$ X_t $$ 嵌入共同較大 space： $$ \widehat X. $$ 本文把這理解為 comparison chart： $$ \iota_t: X_t \hookrightarrow \widehat X. $$ 於是： $$ (\iota_t)_\#P_t $$ 可以在共同 carrier 中比較。 這直接接 Paper 04 的 scale chart / comparison witness。 --- # 27. Dynamic Globality Paper 04 定義 study-global domain。 現在它也可以隨時間變動： $$ \boxed{ \mathfrak D_{G,t}. } $$ 可能發生： $$ \mathfrak D_{G,t} \not\simeq \mathfrak D_{G,t+1}. $$ 因此「全域概率」本身也有時間索引： $$ P_{G,t}. $$ 如果研究 universe 擴張： $$ r_t \subsetneq r_{t+1}, $$ 則昨天的 global： $$ P_{G,t} $$ 不應被語言上自動當成今天的 global： $$ P_{G,t+1}. $$ --- # 28. Time × Scale × Probability Order Paper 04 提供： $$ s. $$ Paper 05 提供： $$ r. $$ 本文加入： $$ t. $$ 所以完整 index 變成： $$ \boxed{ (s,t,r). } $$ 記： $$ \boxed{ \mathfrak P_{s,t}^{(r)} \in \mathsf P^r(X_{s,t}). } $$ 其中： - $s$：scale； - $t$：time； - $r$：probability order。 --- # 29. 三種獨立 transport 現在有： ## Scale Transport $$ T_{s\rightarrow s'}^{(t,r)}. $$ ## Time Transport $$ U_{t\rightarrow t'}^{(s,r)}. $$ ## Order Transport $$ \eta, \qquad \mu. $$ 因此整體不再是一張二维 grid，而是： $$ \boxed{ \text{scale–time–order lattice}. } $$ --- # 30. Time–Scale Coherence Defect 從： $$ \mathfrak P_{s,t}^{(r)} $$ 到： $$ \mathfrak P_{s',t'}^{(r)} $$ 有兩條 route。 第一： $$ \text{time} \rightarrow \text{scale}. $$ 第二： $$ \text{scale} \rightarrow \text{time}. $$ 定義： $$ \boxed{ \Delta_{\mathrm{TS}} = D \left( T_{s\rightarrow s'}^{(t',r)} U_{t\rightarrow t'}^{(s,r)}P, U_{t\rightarrow t'}^{(s',r)} T_{s\rightarrow s'}^{(t,r)}P \right). } $$ 如果： $$ \Delta_{\mathrm{TS}}>0, $$ 表示： $$ \boxed{ \text{when aggregation occurs changes the resulting probability}. } $$ 這是多尺度動態系統中可實驗的 path-dependence。 --- # 31. Time–Order Coherence Defect 同理可以比較： $$ \text{flatten then evolve} $$ 與： $$ \text{evolve then flatten}. $$ 定義： $$ \boxed{ \Delta_{\mathrm{TO}} = D \left( U^{(r+1)}\mu H, \mu U^{(r+2)}H \right). } $$ 標準自然 transport 可能 commute。 但 model-dependent、nonlinear、conditional 或 learned transport 不一定 commute。 這延續 Paper 05 的 scale-order coherence。 --- # 32. Dynamic Recursive Probability Field 到此可定義： $$ \boxed{ \mathfrak R = ( \mathbf S, \mathbf T, \mathbf R, \{\mathfrak D_{s,t}\}, \{ \mathsf P^r(X_{s,t}) \}, \mathbf U, \mathbf T_S, \boldsymbol\eta, \boldsymbol\mu, \boldsymbol\Delta ). } $$ 其中： - $\mathbf S$：scale base； - $\mathbf T$：time index； - $\mathbf R$：probability-order index； - $\mathbf U$：time transports； - $\mathbf T_S$：scale transports； - $\boldsymbol\eta,\boldsymbol\mu$：order transports； - $\boldsymbol\Delta$：各種 coherence / path defects。 這是目前系列的三軸總結構。 --- # 33. AI 作為 Dynamic Judgment-Domain System AI deployment 特別適合此框架，因為： $$ c_t $$ 可以隨時間改變： - model snapshot； - system prompt； - memory； - retrieved context； - tools； - policy； - temperature； - user state。 因此即使 model name 不變： $$ \boxed{ \mathfrak D_t \neq \mathfrak D_{t+1} } $$ 仍可能成立。 所以「同一 AI 的概率分布」不能只用 model ID 做 domain typing。 --- # 34. AI Dynamic Probability Example 對固定 task，可寫： $$ P_t( \mathrm{strategy} \mid M_t, c_t ). $$ 若 memory 更新： $$ c_t \rightarrow c_{t+1}, $$ 則： $$ P_t \rightarrow P_{t+1}. $$ 但如果 strategy labels 本身也被重新分類： $$ \Sigma_t \neq \Sigma_{t+1}, $$ 就需要 event translation： $$ \alpha_{t,t+1}. $$ 因此真正 longitudinal AI probability study 需要同時保存： $$ \boxed{ \text{model state} + \text{domain state} + \text{event ontology} + \text{probability law}. } $$ --- # 35. Legacy Migration：舊《綜合概率論》如何重新分類？ 本文對舊框架作如下 migration。 ### 保留 $$ \Omega(t), \qquad \mathcal F(t), \qquad P(t), $$ 作為 dynamic-domain intuition。 保留 source / sink、probability flow、time evolution。 保留 open-system boundary interaction。 ### 改名 $$ P>1 $$ 改為： $$ \mu>1 $$ 的 mass / intensity。 $$ P<0 $$ 改為 signed / quasi weight，不能稱 ordinary probability。 ### 撤回 $$ P(\Omega)=1 \Rightarrow \text{physical closure} $$ 作為一般定理。 ### 移出數學核心 「高維干涉」「概率擦除」「暗能量概率溢出」等未被形式化或實證的物理解釋，改列 conjectural application，而不作為 JDPSP 基礎公理。 --- # 36. Legacy Migration：舊《綜合測度論》如何重新分類？ 舊《綜合測度論》中的： $$ \partial_t\mu $$ 與 dynamic measure intuition 可以保留。 關係網絡上的 measure 若需要複值，則應明確使用 complex measure，而不是 ordinary probability measure。 source / sink equation 可以轉寫成本文： $$ \frac{d}{dt} \langle f,\mu_t\rangle = \langle L_tf,\mu_t\rangle + \langle f,\sigma_t\rangle. $$ 原先「傳統測度無法描述關係」的說法也需要收斂。 Graph measures、random measures、point processes、network probability、path-space measures 等既有數學早已能對關係結構建立 measure。 所以更精確的研究問題是： $$ \boxed{ \text{如何讓 relation ontology 成為判定域的一部分，而非聲稱既有 measure theory 無法處理關係}. } $$ --- # 37. Open-System Conservation 的新表述 舊版本試圖用： $$ \sum_iP_i=C(\Lambda) $$ 取代： $$ \sum_iP_i=1. $$ 本文改寫為： $$ \boxed{ M_t=\mu_t(X_t) } $$ 允許： $$ M_t\neq1. $$ 而 normalized law： $$ P_t=\frac{\mu_t}{M_t} $$ 仍滿足： $$ \boxed{ P_t(X_t)=1. } $$ 所以真正可變的是： $$ \boxed{ \text{mass normalization factor }M_t, } $$ 而不是 probability axioms。 --- # 38. 動態守恆也可以分成兩層 ## Mass Balance $$ \boxed{ \dot M_t = \text{inflow} - \text{outflow}. } $$ ## Probability Shape $$ \boxed{ \dot P_t = \text{internal stochastic dynamics} + \text{normalized source/sink reshaping}. } $$ 這兩層一起才構成真正 open-system probability dynamics。 --- # 39. Dynamic Probability Ledger 每個時間點至少可以保存： ```text time: domain_id: carrier: event_structure: reference_scope: scale: context: measure_mode: normalized_probability subprobability finite_mass signed_measure quasiprobability total_mass: normalized_probability: source: sink: boundary: incoming_transport: outgoing_transport: event_translation: domain_change_type: proof_or_model_assumptions: ``` 這比只保存： ```text P(t) ``` 更能重現 open-system probability history。 --- # 40. Dynamic Legality Levels 本文提出： ### T0：Unindexed 只有 $P_t$，domain 不可恢復。 ### T1：Time-Indexed 已知 $t$，但 domain change 未標記。 ### T2：Domain-Indexed 具有： $$ \mathfrak D_t. $$ ### T3：Transport-Resolved 跨時間具有： $$ K_{s,t} $$ 與 judgment translation。 ### T4：Open-Balance Resolved source、sink、boundary、mass/probability mode 已分離。 ### T5：Coherence Resolved time–scale–order path defects 已可檢查。 這不是 probability confidence，而是動態模型的可審計程度。 --- # 41. 新穎性邊界 本文不宣稱首次提出： - time-inhomogeneous Markov processes； - stochastic kernels； - moving-domain stochastic PDE； - Fokker–Planck equations； - measure-valued processes； - McKean–Vlasov distribution flows； - open Markov processes； - subprobability measures； - partial Markov categories； - source–sink equations； - cemetery states； - open quantum systems。 本文提出或重新整合的核心是： 1. dynamic judgment domain $\mathfrak D_t$ ； 2. normalized probability / open mass 的雙層表示； 3. early “probability overflow” 到 finite-mass representation 的修正； 4. event translation 作為跨時間概率比較的必要 witness； 5. dynamic transport witness $\mathcal W^{\mathrm{dyn}}_{s,t}$ ； 6. study-global domain 的時間化； 7. scale × time × probability-order 三軸結構； 8. time–scale / time–order coherence defects； 9. 舊綜合概率論與綜合測度論的正式 migration。 --- # 42. 待證問題 ## 42.1 Dynamic Domain Category 何種最小公理可以使： $$ \{ \mathfrak D_t \} $$ 與： $$ K_{s,t} $$ 形成真正 category / fibration？ ## 42.2 Event-Algebra Evolution 若： $$ \Sigma_s\neq\Sigma_t, $$ 最自然的 event translation 應使用 Boolean algebra morphism、Markov kernel、relation 還是 sheaf morphism？ ## 42.3 Dynamic Globality 何時： $$ \mathfrak D_{G,t} $$ 可以連續／functorially 演化？ 何時 global domain 會 birth、split 或 merge？ ## 42.4 Mass–Probability Identifiability 只觀察 normalized： $$ P_t $$ 時，何種條件下可以恢復： $$ M_t $$ 或 source / sink history？ 一般而言顯然不唯一，因此需要額外觀測量。 ## 42.5 Three-Axis Coherence scale、time、probability order 三類 transports 在何種條件下 pairwise commute？ 是否存在真正的 higher coherence law？ --- # 43. 通往 Paper 08：AI 多尺度概率場 Paper 07 完成： $$ \boxed{ \mathfrak P_{s,t}^{(r)}. } $$ 下一篇將不再主要建立新的抽象概率底座，而轉向 AI 可實驗對象： $$ P_{\mathrm{token}}, \qquad P_{\mathrm{semantic}}, \qquad P_{\mathrm{strategy}}, \qquad P_{\mathrm{task}}, \qquad P_{\mathrm{success}}. $$ 它們將被重新放入： $$ \boxed{ \text{domain} \times \text{scale} \times \text{time} \times \text{probability order}. } $$ 並正式提出可重現實驗與 distributional fingerprint。 --- # 44. 結論 本文完成了舊「綜合概率論」最重要的一次修正。 首先： $$ \boxed{ P(\Omega)=1 } $$ 不是物理封閉性的定理。 開放 stochastic systems 可以在完全標準的 normalized probability 下演化。 第二： $$ \boxed{ P>1 } $$ 不應再稱 ordinary probability overflow。 真正可超過 $1$ 的是： $$ \boxed{ M_t=\mu_t(X_t), } $$ 也就是 total mass、population、intensity 或 unnormalized weight。 第三： $$ \boxed{ P<0 } $$ 若需要保留，只能轉為 signed / quasi quantity，而不能混入 probability measure。 因此 open-system dynamics 最乾淨的結構為： $$ \boxed{ \mu_t=M_tP_t. } $$ 其中： $$ M_t $$ 追蹤總量， $$ P_t $$ 追蹤 normalized state distribution。 對 probability loss： $$ \widetilde P_t(X_t)<1 $$ 又可以透過 cemetery state 完成為： $$ \bar P_t(\bar X_t)=1. $$ 所以 probability leakage 不需要破壞 Kolmogorov normalization。 本文同時把靜態判定域： $$ \mathfrak D $$ 推進成： $$ \boxed{ \mathfrak D_t = (X_t,\Sigma_t;r_t,s_t,c_t). } $$ 由： $$ K_{s,t} $$ 負責 time transport， 由： $$ \tau_{s,t} $$ 負責 judgment-domain translation， 由： $$ \mathcal B_{s,t}, \mathcal S_{s,t} $$ 負責 boundary 與 source–sink structure。 最後，與 Paper 04、Paper 05 合併得到： $$ \boxed{ \mathfrak P_{s,t}^{(r)}. } $$ 也就是： $$ \boxed{ \text{Scale} \times \text{Time} \times \text{Probability Order}. } $$ 截至 Paper 07，本系列的數學骨架因此成為： $$ \boxed{ \text{Judgment Domain} + \text{Lifting} + \text{Geometry} + \text{Recursive Order} + \text{Base Points} + \text{Dynamic Open-System Evolution}. } $$ 這讓舊的「概率破缺」敘事被重新收斂成一個更可證、也更接近現代概率與隨機過程的框架： $$ \boxed{ \text{不是概率公理破缺，} \quad \text{而是判定域、總質量與 transport 結構發生動態變化。} } $$ --- # 參考文獻 [1] Neo.K. (2026). *綜合概率論：開放系統中的超因果測度理論*. EveMissLab, legacy draft. [2] Neo.K. (2026). *綜合測度論：關係的量化與動態積分*. EveMissLab, Draft v1.0. [3] Pollard, B. S. (2017). *Open Markov Processes and Reaction Networks*. arXiv:1709.09743. [4] Pollard, B. S. (2014). *A Second Law for Open Markov Processes*. arXiv:1410.6531. [5] Baez, J. C., & Courser, K. (2017). *Coarse-Graining Open Markov Processes*. arXiv:1710.11343. [6] Kendall, E. B., Williams, J. P., Hermansen, G. H., Bois, F., & Thanh, V. H. (2022). *Beyond time-homogeneity for continuous-time multistate Markov models*. arXiv:2211.03214. [7] Pan, T., Wang, W., Zhai, J., & Zhang, T. (2023). *Stochastic heat equations on moving domains*. arXiv:2301.09897. [8] Di Lavore, E., Román, M., & Sobociński, P. (2025). *Partial Markov Categories*. arXiv:2502.03477. [9] Shah Mohammed, A. (2025). *Partializations of Markov Categories*. arXiv:2509.05094. [10] Bao, J., Liu, Y., & Wang, J. (2025). *Ergodicity of conditional McKean–Vlasov jump diffusions*. arXiv:2509.02249. [11] Feng, C., Qu, B., & Zhao, H. (2026). *Entrance measures and dynamics for time-inhomogeneous McKean–Vlasov stochastic differential equations*. arXiv:2604.19187. [12] Vuckovic, J. (2026). *Propagation of Chaos for Nonlinear Markov Chains*. arXiv:2602.07537. [13] Chruściński, D. (2022). *Time inhomogeneous quantum dynamical maps*. arXiv:2210.02770. [14] Lindblad, G. (1976). On the Generators of Quantum Dynamical Semigroups. *Communications in Mathematical Physics*, 48, 119--130. DOI: 10.1007/BF01608499. [15] Wigner, E. (1932). On the Quantum Correction For Thermodynamic Equilibrium. *Physical Review*, 40, 749--759. --- # Appendix A. Dynamic Measure Modes | Mode | Object | Total Mass | Negative Allowed? | Primary Meaning | |---|---|---:|---:|---| | Probability | $P_t$ | $1$ | No | normalized uncertainty | | Subprobability | $\widetilde P_t$ | $\le1$ | No | retained / surviving mass | | Finite mass | $\mu_t$ | arbitrary $\ge0$ | No | population / intensity / unnormalized mass | | Signed measure | $\nu_t$ | signed | Yes | source–sink / signed weight | | Quasiprobability | $Q_t$ | convention-dependent | Yes | nonclassical representation | # Appendix B. Dynamic Judgment-Domain Schema ```text time: domain_id: carrier: event_structure: reference_scope: scale: context: measure_mode: total_mass: normalized_probability: boundary: entry_states: exit_states: cemetery_state: source_sink: source: sink: net_mass_rate: time_transport: from: to: kernel: total_or_submarkov: assumptions: event_translation: judgment_translation: domain_change: measure_only: kernel_change: context_change: event_algebra_change: carrier_change: reference_scale_change: coherence: time_scale_defect: time_order_defect: scale_order_defect: ``` # Appendix C. Legacy Statement Migration ```text legacy_claim: "P(Omega)=1 implies closed physical system" status: retired replacement: "P(Omega)=1 means normalization on the declared outcome domain" legacy_claim: "P > 1 represents open-system probability overflow" status: retyped replacement: "use finite mass/intensity mu with mu(X) > 1" legacy_claim: "P < 0 is negative event probability" status: retyped replacement: "use signed measure or quasiprobability; do not call ordinary probability" legacy_claim: "Omega, F, P can evolve with time" status: retained_and_formalized replacement: "D_t=(X_t,Sigma_t;r_t,s_t,c_t), with dynamic transport witness" legacy_claim: "source/sink changes probability conservation" status: refined replacement: "source/sink changes total mass M_t; normalized P_t may still satisfy P_t(X_t)=1" ```