--- 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 $$ \mathfrak D=(X,\Sigma;r,s,c) $$ 以及跨判定域的提升見證 $$ (\mathfrak D,P) \xRightarrow{\mathcal W} (\mathfrak E,Q). $$ 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： $$ \mathbf S, $$ 判定域 category 為： $$ \mathbf{JDom}, $$ 並設尺度投影： $$ \pi: \mathbf{JDom} \rightarrow \mathbf S. $$ 尺度 $s$ 上的判定域纖維記為： $$ \mathbf{JDom}_s = \pi^{-1}(s). $$ 對每一判定域 $\mathfrak D$，再附上其概率對象集合： $$ \mathbf{Prob}(\mathfrak D). $$ 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 $d_S$ 描述判定域在尺度圖或尺度偏序中的結構距離；第二，纖維內距離使用既有 Fisher、divergence 或 Wasserstein 結構比較同一判定域中的概率分布；第三，跨域比較成本先把兩個概率 transport 到共同比較域，再計算分布差異與 transport cost，因此一般只稱 comparison cost，而不無條件宣稱為 metric。 本文進一步定義路徑 transport： $$ T_{\gamma} = T_{e_n}\circ\cdots\circ T_{e_1}, $$ 路徑依賴： $$ \Delta_{\gamma_1,\gamma_2}(P) = D( T_{\gamma_1}P, T_{\gamma_2}P ), $$ 以及閉路 defect： $$ H_{\gamma}(P) = D( P,T_{\gamma}P ). $$ 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： $$ L_f(K;P,Q) = D_f(P\Vert Q) - D_f(K_{\star}P\Vert K_{\star}Q) \ge0, $$ 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： $$ \boxed{ \text{Scale Base} + \text{Judgment-Domain Fibers} + \text{Probability Fibers} + \text{Transport Geometry} + \text{Path / Loss Structure}. } $$ 這為下一篇「遞歸概率場」提供幾何底座：當每一點不只承載 $P$，而承載 $$ P,\mathsf P(P),\mathsf P^2(P),\ldots $$ 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： $$ \mathfrak D = (X,\Sigma;r,s,c). $$ Paper 03 建立： $$ (\mathfrak D,P) \xRightarrow{\mathcal W} (\mathfrak E,Q). $$ 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： $$ \mathfrak D \rightarrow \mathfrak E $$ 的一條箭頭，而更接近： $$ \mathfrak D_{\mu,1}, \mathfrak D_{\mu,2}, \ldots \rightarrow \mathfrak D_{m,1}, \mathfrak D_{m,2}, \ldots \rightarrow \mathfrak D_{M,1}, \ldots \rightarrow \mathfrak D_G. $$ 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： $$ \boxed{ \text{一族判定域如何構成概率空間的幾何？} } $$ --- # 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： $$ \{ p_{\theta} \}_{\theta\in\Theta}, $$ Fisher information metric 可寫為： $$ g_{ij}(\theta) = \mathbb E_{\theta} \left[ \partial_i\log p_{\theta}(X) \, \partial_j\log p_{\theta}(X) \right]. $$ 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： $$ \boxed{ \text{概率分布可以形成幾何空間} } $$ 宣稱為新發現。 ## 2.2 Wasserstein / optimal-transport geometry 若： $$ (X,d) $$ 為 metric space，則具有有限 $p$ 階矩的 probability measures 可形成： $$ \mathcal P_p(X). $$ Wasserstein distance 定義為： $$ W_p(P,Q) = \left( \inf_{\gamma\in\Pi(P,Q)} \int_{X\times X} d(x,y)^p \,d\gamma(x,y) \right)^{1/p}. $$ 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： $$ \boxed{ \text{multiscale geometry of probability measures} } $$ 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： $$ \boxed{ \text{概率分布所在的判定域本身如何排列成尺度空間？} } $$ 也就是把幾何分成： $$ \boxed{ \text{geometry inside probability spaces} } $$ 與： $$ \boxed{ \text{geometry between judgment domains}. } $$ 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： $$ s_{\mu} \preceq s_m \preceq s_M \preceq s_G. $$ 但真實多尺度系統未必是 total order。 例如： $$ s_{\mathrm{individual}}, $$ $$ s_{\mathrm{team}}, $$ $$ s_{\mathrm{department}}, $$ $$ s_{\mathrm{company}} $$ 可能是一條鏈。 但同一研究同時可能有： $$ s_{\mathrm{geographic}}, \qquad s_{\mathrm{organizational}}, \qquad s_{\mathrm{temporal}}, $$ 形成不可線性排序的尺度族。 因此本文令： $$ \mathbf S $$ 為尺度 category。 最簡情況下： $$ \mathbf S $$ 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： $$ s\in\operatorname{Ob}(\mathbf S) $$ 表示一個被明示的 observational / organizational scale。 例如： $$ \mathcal S = \{ \mu,m,M,G \}. $$ 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： $$ s\rightarrow t $$ 是尺度箭頭，表示： $$ \text{允許從尺度 }s\text{ 轉譯到尺度 }t. $$ 不同箭頭可以有不同型別，例如： $$ \mathrm{refine}, $$ $$ \mathrm{aggregate}, $$ $$ \mathrm{forget}, $$ $$ \mathrm{project}, $$ $$ \mathrm{compare}. $$ 所以： $$ s\rightarrow t $$ 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： $$ \mathfrak D = (X,\Sigma;r,s,c). $$ 現在把所有判定域組成： $$ \mathbf{JDom}. $$ 定義尺度投影： $$ \boxed{ \pi: \mathbf{JDom} \rightarrow \mathbf S. } $$ 滿足： $$ \pi(\mathfrak D)=s. $$ ## 4.1 尺度纖維 對每個尺度： $$ s, $$ 定義： $$ \boxed{ \mathbf{JDom}_s = \pi^{-1}(s). } $$ 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： $$ \mathfrak D_{\mu,1} = \text{單一 token}, $$ $$ \mathfrak D_{\mu,2} = \text{單一 agent action}, $$ $$ \mathfrak D_{\mu,3} = \text{單一個體事件}. $$ 因此： $$ \boxed{ \text{scale} \neq \text{single domain}. } $$ ## 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： $$ \boxed{ \text{bundle-like indexed family}. } $$ 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： $$ \mathfrak D = (X,\Sigma;\kappa), $$ 定義： $$ \mathbf{Prob}(\mathfrak D) $$ 為在該判定域形式 carrier 上允許的 probability objects。 在標準 Kolmogorov 情況： $$ \mathbf{Prob}(\mathfrak D) = \{ P: P\text{ is a probability measure on }(X,\Sigma) \}. $$ 於是整體結構至少具有兩級索引： $$ s \mapsto \mathfrak D \mapsto P. $$ 可以寫成： $$ \boxed{ \mathbf S \leftarrow \mathbf{JDom} \leftarrow \mathbf{ProbObj}. } $$ 其中： $$ \mathbf{ProbObj} $$ 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： $$ w(e)\ge0, $$ 可以定義結構距離： $$ d_S(s,t) = \inf_{\gamma:s\leadsto t} \sum_{e\in\gamma}w(e). $$ 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： $$ P,Q\in\mathbf{Prob}(\mathfrak D), $$ 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： $$ d_{\mathfrak D}(P,Q). $$ 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： $$ P\in\mathbf{Prob}(\mathfrak D), $$ $$ Q\in\mathbf{Prob}(\mathfrak E), $$ 則 $P$ 與 $Q$ 可能連 sample space 都不同，不能直接計算： $$ D(P,Q). $$ 因此先選共同比較域： $$ \mathfrak C, $$ 以及 transports： $$ T_{\mathfrak D\rightarrow\mathfrak C}, $$ $$ T_{\mathfrak E\rightarrow\mathfrak C}. $$ 定義： $$ C_{\mathfrak C}(P,Q) = D_{\mathfrak C} \left( T_{\mathfrak D\rightarrow\mathfrak C}P, T_{\mathfrak E\rightarrow\mathfrak C}Q \right) + \lambda \left[ c(T_{\mathfrak D\rightarrow\mathfrak C}) + c(T_{\mathfrak E\rightarrow\mathfrak C}) \right]. $$ 再定義： $$ \boxed{ C_J(P,Q) = \inf_{\mathfrak C,T,U} C_{\mathfrak C}(P,Q). } $$ 目前本文只稱其為： $$ \boxed{ \text{cross-domain comparison cost}. } $$ 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： $$ P_{\mathrm{token}} $$ 是 token sequence space 上的 distribution， 而： $$ P_{\mathrm{strategy}} $$ 是 strategy labels 上的 distribution。 裸寫： $$ W_2( P_{\mathrm{token}}, P_{\mathrm{strategy}} ) $$ 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： $$ \boxed{ \text{比較在哪裡發生？} } $$ 這就是共同比較域： $$ \mathfrak C. $$ 換句話說： $$ \boxed{ \text{cross-scale distance requires a comparison witness}. } $$ 這是 Paper 03 的 lifting witness 在幾何層的延伸。 --- # 8. Coarse-graining 與 information loss 若： $$ K:X\rightsquigarrow Y $$ 為 stochastic channel，則大量 divergence 滿足 data-processing inequality。 對適當 $f$ -divergence： $$ D_f( K_{\star}P \Vert K_{\star}Q ) \le D_f( P\Vert Q ). $$ 因此可定義 coarse-graining distinguishability loss： $$ \boxed{ L_f( K;P,Q ) = D_f(P\Vert Q) - D_f( K_{\star}P \Vert K_{\star}Q ). } $$ 由 data processing： $$ L_f( K;P,Q ) \ge0. $$ 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： $$ K_1:X\rightsquigarrow Y, $$ $$ K_2:Y\rightsquigarrow Z. $$ 定義： $$ P_1=(K_1)_{\star}P, $$ $$ Q_1=(K_1)_{\star}Q. $$ 則： $$ L_f( K_2\circ K_1;P,Q ) = D_f(P\Vert Q) - D_f( (K_2)_{\star}P_1 \Vert (K_2)_{\star}Q_1 ). $$ 加入並減去： $$ D_f(P_1\Vert Q_1), $$ 得到： $$ L_f( K_2\circ K_1;P,Q ) = \left[ D_f(P\Vert Q) - D_f(P_1\Vert Q_1) \right] + \left[ D_f(P_1\Vert Q_1) - D_f( (K_2)_{\star}P_1 \Vert (K_2)_{\star}Q_1 ) \right]. $$ 因此： $$ \boxed{ L_f( K_2\circ K_1;P,Q ) = L_f(K_1;P,Q) + L_f(K_2;P_1,Q_1). } $$ $$ \boxed{\square} $$ 對： $$ K_n\circ\cdots\circ K_1, $$ 可遞推得到： $$ \boxed{ L_f( K_n\circ\cdots\circ K_1;P,Q ) = \sum_{j=1}^{n} L_f( K_j;P_{j-1},Q_{j-1} ). } $$ 其中： $$ P_j=(K_j)_{\star}P_{j-1}, $$ $$ Q_j=(K_j)_{\star}Q_{j-1}. $$ 這提供： $$ \boxed{ \text{cumulative scale-information-loss ledger}. } $$ --- # 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： $$ \text{不同提升路徑得到不同 target probability}. $$ 因此本文區分： $$ \boxed{ \text{loss} } $$ 與： $$ \boxed{ \text{path distortion}. } $$ 前者可以即使所有 transport 都完全合法仍發生。 後者則表示： $$ \boxed{ \text{尺度路徑本身影響結果}. } $$ --- # 11. 路徑 transport 令尺度／判定域圖中存在 path： $$ \gamma : \mathfrak D_0 \rightarrow \mathfrak D_1 \rightarrow \cdots \rightarrow \mathfrak D_n. $$ 每條 edge： $$ e_i: \mathfrak D_{i-1} \rightarrow \mathfrak D_i $$ 具有 transport： $$ T_{e_i}. $$ 定義 path transport： $$ \boxed{ T_{\gamma} = T_{e_n} \circ \cdots \circ T_{e_1}. } $$ 因此： $$ P_n = T_{\gamma}(P_0). $$ 這讓多尺度概率不再只是一組分布，而是一個： $$ \boxed{ \text{probability-flow network}. } $$ --- # 12. 路徑依賴 若存在兩條不同 path： $$ \gamma_1, \gamma_2: \mathfrak D \leadsto \mathfrak E, $$ 則可比較： $$ T_{\gamma_1}(P) $$ 與： $$ T_{\gamma_2}(P). $$ 選擇 target-domain divergence： $$ D_{\mathfrak E}, $$ 定義： $$ \boxed{ \Delta_{\gamma_1,\gamma_2}(P) = D_{\mathfrak E} \left( T_{\gamma_1}(P), T_{\gamma_2}(P) \right). } $$ 若： $$ \Delta_{\gamma_1,\gamma_2}(P)=0 $$ 對所有 admissible $P$ 成立，則稱兩條 path 在概率 transport 上等價。 若： $$ \Delta_{\gamma_1,\gamma_2}(P)>0, $$ 則存在： $$ \boxed{ \text{path dependence}. } $$ --- # 13. 命題二：Functorial transport 導致尺度鏈路徑獨立 假設： $$ \mathbf S $$ 是一個偏序 category。 因此若： $$ s\preceq t, $$ 則 category 中至多只有一個 morphism： $$ s\rightarrow t. $$ 又假設 probability transport assignment 構成 functor： $$ F: \mathbf S \rightarrow \mathbf{ProbTrans}. $$ 取任意兩條 refinement chains： $$ s=s_0\preceq s_1\preceq\cdots\preceq s_n=t, $$ 以及： $$ s=t_0\preceq t_1\preceq\cdots\preceq t_m=t. $$ 在偏序 category 中，兩條 composite morphisms 都等於唯一： $$ s\rightarrow t. $$ 由 functoriality： $$ F(s\rightarrow t) = F(s_{n-1}\rightarrow s_n) \circ \cdots \circ F(s_0\rightarrow s_1), $$ 也等於： $$ F(t_{m-1}\rightarrow t_m) \circ \cdots \circ F(t_0\rightarrow t_1). $$ 故： $$ \boxed{ T_{\gamma_1} = T_{\gamma_2}. } $$ 因此： $$ \boxed{ \Delta_{\gamma_1,\gamma_2}(P)=0 } $$ 對所有 $P$ 成立。 $$ \boxed{\square} $$ ## 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： $$ \Delta_{\gamma_1,\gamma_2}(P)>0, $$ 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： $$ \gamma: \mathfrak D \leadsto \mathfrak D, $$ 定義： $$ \boxed{ H_{\gamma}(P) = D_{\mathfrak D} \left( P,T_{\gamma}(P) \right). } $$ 若： $$ H_{\gamma}(P)=0, $$ 則這個閉路在概率對象 $P$ 上沒有產生可觀測 defect。 若： $$ H_{\gamma}(P)>0, $$ 則沿一圈尺度／語境 transport 後，概率沒有回到原點。 本文暫稱： $$ \boxed{ \text{probability holonomy defect}. } $$ 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： $$ \mu \rightarrow m \rightarrow M. $$ 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： $$ \mathfrak D_{\mu,1}, \mathfrak D_{\mu,2}, \ldots, \mathfrak D_{\mu,n} $$ 的輸入。 因此更接近： $$ \{ \mathfrak D_{\mu,i} \}_{i=1}^{n} \rightarrow \mathfrak D_m \rightarrow \mathfrak D_M. $$ 甚至不同 meso clustering： $$ C_1, C_2 $$ 可能得到不同： $$ \mathfrak D_{m}^{(1)}, \qquad \mathfrak D_{m}^{(2)}. $$ 最後造成： $$ P_M^{(1)} \neq P_M^{(2)}. $$ 因此： $$ \boxed{ \text{meso layer is often a modeling choice, not a uniquely given natural layer}. } $$ 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： $$ P_{\mu} \rightarrow P_M. $$ 一般至少需要： ## 第一步：形成 joint / relational structure $$ \{ P_{\mu,i} \} + \text{dependence model} \rightarrow Q_{\mu}^{(n)}. $$ ## 第二步：形成 macro observable $$ g: X_{\mu}^{n} \rightarrow X_M, $$ 因此： $$ P_M = g_{\#}Q_{\mu}^{(n)}. $$ 所以： $$ \boxed{ \text{micro probabilities} + \text{dependency geometry} + \text{aggregation operator} = \text{macro probability}. } $$ 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： $$ \mathcal U = (U,Z_U,\{T_{\mathfrak D\rightarrow Z_U}\}), $$ 其中： - $U\subseteq\operatorname{Ob}(\mathbf{JDom})$ 是一組鄰近或可共同比較的判定域； - $Z_U$ 是共同 representation / comparison space； - 每個 $\mathfrak D\in U$ 都有 admissible transport： $$ T_{\mathfrak D\rightarrow Z_U}. $$ chart 的目的，是讓： $$ \{ P_{\mathfrak D} \}_{\mathfrak D\in U} $$ 可以被 transport 到共同空間： $$ Z_U $$ 中比較。 ## 17.2 Chart overlap 若： $$ U\cap V\neq\varnothing, $$ 則需要 transition relation： $$ \Phi_{UV}: Z_U \rightsquigarrow Z_V. $$ 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： $$ \boxed{ \text{chart} } $$ 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： $$ \mathfrak D_G $$ 是 $\mathbf{JDom}$ 中一個 designated terminal object，使所有 relevant domains： $$ \mathfrak D_i $$ 都存在： $$ \mathfrak D_i \rightarrow \mathfrak D_G, $$ 則稱： $$ \mathfrak D_G $$ 為該研究的 study-global domain。 ## 18.1 若沒有 terminal object？ 可能存在兩個 incomparable maximal domains： $$ \mathfrak D_{M,1}, \qquad \mathfrak D_{M,2}. $$ 且沒有 canonical： $$ \mathfrak D_G. $$ 那麼： $$ \boxed{ \text{the study has no canonical global probability}. } $$ 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： $$ \boxed{ \text{declared study universe}. } $$ 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： $$ P_G(A)=p, $$ 本文建議同步提供： $$ \mathcal G = ( \mathfrak D_G, \mathcal U, \{T_i\}, \Gamma_G ), $$ 其中： - $\mathfrak D_G$：global domain； - $\mathcal U$：被宣稱覆蓋的 local / meso / macro domains； - $\{T_i\}$：各 domain 到 global 的 lifts； - $\Gamma_G$：一致性與 coverage assumptions。 因此 global claim 不只是： $$ \boxed{ P(A)=p. } $$ 而是： $$ \boxed{ \text{probability} + \text{coverage certificate}. } $$ --- # 20. Information Geometry 在本框架中的位置 Information geometry 可以嵌入： $$ \mathbf{Prob}(\mathfrak D) $$ 的單一 fiber。 例如對 parametric family： $$ \mathcal M_{\mathfrak D} = \{ P_{\theta}^{\mathfrak D} \}_{\theta\in\Theta}, $$ 可以使用 Fisher metric： $$ g^{\mathfrak D}_{ij}. $$ 若存在 stochastic coarse-graining： $$ K: \mathfrak D \rightarrow \mathfrak E, $$ 則 Fisher information 在適當 Markov morphism 下具有單調性。 因此： $$ \boxed{ \text{information geometry} } $$ 可以測量「一個 fiber 內部」與「transport 後信息如何縮減」。 但： $$ g^{\mathfrak D} $$ 不自動定義： $$ d( \mathfrak D, \mathfrak E ). $$ 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： $$ (Z,d_Z), $$ 則： $$ W_p $$ 可以作為非常自然的 comparison geometry。 因此 chart： $$ \mathcal U = (U,Z_U,\{T_i\}) $$ 中可以定義： $$ d_U( P_i,P_j ) = W_p( T_iP_i, T_jP_j ). $$ 這提供： $$ \boxed{ \text{local Wasserstein chart}. } $$ 但不同 chart 之間是否相容，仍然需要 transition maps。 這也是為什麼： $$ \boxed{ \text{Wasserstein geometry} \neq \text{judgment-domain geometry}. } $$ 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： $$ \Delta_{\gamma_1,\gamma_2}(P), $$ 很自然會想把它叫成「曲率」。 但 v0.1.0 暫時不直接定義： $$ R_{\mathrm{scale}}. $$ 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： $$ H_{\gamma}(P) $$ 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： $$ s_0 = \text{token}, $$ $$ s_1 = \text{phrase / local semantic}, $$ $$ s_2 = \text{response semantic}, $$ $$ s_3 = \text{strategy}, $$ $$ s_4 = \text{task behavior}, $$ $$ s_5 = \text{model-level experimental profile}. $$ 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： $$ \mathfrak D_{s_i}, $$ 以及： $$ P_{s_i}. $$ 跨尺度可以有： $$ T_{01}, T_{12}, T_{23}, T_{34}, T_{45}. $$ 因此： $$ P_{s_5} = T_{45} \circ T_{34} \circ T_{23} \circ T_{12} \circ T_{01} (P_{s_0}) $$ 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： $$ \text{token} \rightarrow \text{semantic class} \rightarrow \text{strategy}. $$ 第二條： $$ \text{token} \rightarrow \text{latent embedding} \rightarrow \text{strategy}. $$ 得到： $$ P_{\mathrm{strategy}}^{(A)} $$ 與： $$ P_{\mathrm{strategy}}^{(B)}. $$ 則： $$ \Delta_{A,B} = D_{\mathrm{strategy}} \left( P_{\mathrm{strategy}}^{(A)}, P_{\mathrm{strategy}}^{(B)} \right). $$ 如果： $$ \Delta_{A,B} \gg0, $$ 就表示： $$ \boxed{ \text{strategy probability is representation-path dependent}. } $$ 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： $$ P_{\mathrm{token}}, P_{\mathrm{semantic}}, P_{\mathrm{strategy}}, P_{\mathrm{task}}, P_{\mathrm{success}}. $$ 現在可以把一個 model 的 fingerprint 寫成： $$ \mathcal F(M) = \left( P_{s_0}, P_{s_1}, \ldots, P_{s_n}, \{T_{ij}\}, \{L_{ij}\}, \{\Delta_{\gamma_a,\gamma_b}\} \right). $$ 所以 model fingerprint 不再只是： $$ \boxed{ \text{一串 entropy values}. } $$ 而是： $$ \boxed{ \text{a multi-scale probability geometry}. } $$ 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： $$ \text{individual token} \rightarrow \text{response} \rightarrow \text{conversation} \rightarrow \text{agent} \rightarrow \text{multi-agent system}. $$ 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： $$ s = s(\mathcal U), $$ 即： $$ \boxed{ \text{scale is relative to a declared universe of analysis}. } $$ 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： $$ \mathbf P = \begin{bmatrix} P_{\mu,1} & P_{\mu,2} & \cdots \\ P_{m,1} & P_{m,2} & \cdots \\ P_{M,1} & P_{M,2} & \cdots \\ P_{G,1} & P_{G,2} & \cdots \end{bmatrix}. $$ 但這個矩陣只是一個索引表。 真正結構還包括 transport tensor / edge family： $$ \mathbf T = \{ T_{ij} \}, $$ 以及 loss： $$ \mathbf L = \{ L_{ij} \}, $$ path defects： $$ \mathbf \Delta = \{ \Delta_{\gamma_a,\gamma_b} \}. $$ 因此完整對象更接近： $$ \boxed{ \mathfrak G_P = ( \mathbf{JDom}, \mathbf P, \mathbf T, \mathbf L, \mathbf\Delta ). } $$ 本文稱其為： $$ \boxed{ \text{Judgment-Domain Probability Geometry}. } $$ --- # 28. Geometry Ledger 每個 domain node 至少保存： ```text domain_id reference_scope scale context formal_space event_structure probability_object intrinsic_metric_or_divergence ``` 每個 edge 至少保存： ```text source_domain target_domain transport_type transport_witness transport_cost information_loss approximation_error ``` 每個 path 可以保存： ```text path_id nodes edges composite_transport cumulative_loss target_probability ``` 若存在 alternative path： ```text 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： $$ \boxed{ G1\text{--}G2, } $$ 並提出通往 $G3$ 、 $G4$ 的研究綱領。 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： $$ \boxed{ \text{把判定域、尺度、概率纖維與 transport witness 統一成一個幾何化研究對象}. } $$ 核心新增概念候選包括： 1. judgment-domain scale base； 2. judgment-domain fibers； 3. probability fibers over judgment domains； 4. cross-domain comparison witness； 5. path transport； 6. path-dependence defect； 7. probability holonomy defect； 8. cumulative scale-information-loss ledger； 9. study-global domain / globality certificate； 10. 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： $$ \gamma_1,\gamma_2: \mathfrak D\leadsto\mathfrak E, $$ 判定： $$ T_{\gamma_1} = T_{\gamma_2} $$ 的最小充分條件是什麼？ ## 31.3 Distortion Accumulation Theorem 若每條 edge 只有 approximate transport： $$ d( T_eP, Q_e ) \le \varepsilon_e, $$ 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： $$ (U,Z_U), $$ $$ (V,Z_V) $$ 能在 overlap 上形成一致 probability geometry？ ## 31.5 Holonomy Classification Problem 非零： $$ H_{\gamma}(P) $$ 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： $$ \mathfrak D $$ 承載一階概率： $$ P_{\mathfrak D}. $$ 但最初的研究問題還包含： $$ \boxed{ \text{概率場的概率場的概率場}\ldots } $$ 因此下一篇將加入 probability order： $$ r = 0,1,2,\ldots $$ 並定義： $$ \mathsf P^0(X) = X, $$ $$ \mathsf P^{r+1}(X) = \mathsf P( \mathsf P^r(X) ). $$ 到那時本文的尺度軸： $$ s $$ 與概率階軸： $$ r $$ 會真正交叉成： $$ \boxed{ (s,r). } $$ 如果再加入時間： $$ t, $$ 便得到： $$ \boxed{ \mathfrak P_{s,t}^{(r)}. } $$ 因此 Paper 04 的真正功能，是先建立： $$ \boxed{ \text{概率階數進入之前的尺度幾何底座}. } $$ --- # 33. 結論 本文把判定域概率論從： $$ \text{單域} $$ 推向： $$ \text{域網路}. $$ 從： $$ \text{單箭頭 lifting} $$ 推向： $$ \text{path transport}. $$ 從： $$ \text{local/global 二分} $$ 推向： $$ \text{multi-scale geometry}. $$ 整體結構可概括為： $$ \boxed{ \mathbf S \leftarrow \mathbf{JDom} \leftarrow \mathbf{ProbObj}. } $$ 其中尺度基底 $\mathbf S$ 組織 micro、meso、macro 與 study-global 關係；每個尺度上可以有多個判定域；每個判定域再承載 probability objects。 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： $$ \boxed{ \text{geometry between the domains that host those probabilities}. } $$ 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： $$ \Delta_{\gamma_1,\gamma_2}(P) $$ 測量 path dependence。 閉路後無法回復原分布，則由： $$ H_{\gamma}(P) $$ 記錄 probability holonomy defect。 最重要的是，全域不再被當成： $$ \text{沒有下標的概率}. $$ 而是： $$ \boxed{ \text{一個被明示、被覆蓋、被證明可由研究域接入的 global judgment domain}. } $$ 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： $$ \boxed{ \text{History} \rightarrow \text{Judgment Domain} \rightarrow \text{Lifting Calculus} \rightarrow \text{Multi-Scale Probability Geometry}. } $$ 下一步將沿著第二個獨立方向展開： $$ \boxed{ \text{Probability Order}. } $$ 也就是： $$ \boxed{ \text{Recursive Probability Fields}. } $$ --- # 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 | |---|---| | $\mathbf S$ | 尺度 category / base | | $\mathbf{JDom}$ | 判定域 category / indexed domain family | | $\pi:\mathbf{JDom}\to\mathbf S$ | 尺度投影 | | $\mathbf{JDom}_s$ | 尺度 $s$ 上的判定域纖維 | | $\mathbf{Prob}(\mathfrak D)$ | 判定域 $\mathfrak D$ 上的概率對象集合 | | $d_S$ | 尺度結構距離 | | $d_{\mathfrak D}$ | 判定域 fiber 內的 probability distance/divergence | | $C_J$ | 跨判定域 comparison cost | | $T_e$ | edge transport | | $T_{\gamma}$ | path transport | | $L_f$ | stochastic coarse-graining distinguishability loss | | $\Delta_{\gamma_1,\gamma_2}$ | path-dependence defect | | $H_{\gamma}$ | loop / probability-holonomy defect | | $\mathfrak D_G$ | study-global judgment domain | | $\mathcal G$ | globality certificate | # Appendix B. 幾何合法性分級 $$ G0 \rightarrow G1 \rightarrow G2 \rightarrow G3 \rightarrow G4. $$ - $G0$：Indexed； - $G1$：Connected by admissible transports； - $G2$：Comparable through charts / metrics / divergences； - $G3$：具有穩定 topology、path composition 與 transition consistency； - $G4$：具有 bundle / connection / parallel transport / curvature 類結構。 Paper 04 v0.1.0 主要聲稱建立： $$ G1\text{--}G2 $$ 的形式化接口，而非宣稱已完成 $G4$ 微分幾何。 # Appendix C. Canonical Geometry Record ```text 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: ```