# HFMU-014｜Multi-Scale Obligation Information Geometry

## 0. 問題

HFMU-013 把原本的 class-count rank：

$$
H_0
$$

打掉，並用：

$$
H_1
$$

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：

$$
H_0,\;
H_{1/2},\;
H_1,\;
H_2,\;
H_\infty
$$

以及：

$$
\alpha=0,0.05,0.10,\ldots,4.00.
$$

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 $\alpha=1$ 零反例

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

在：

$$
0\le\alpha\le4
$$

步長：

$$
0.05
$$

的 81 個 Rényi orders 中，

唯一：

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

的 order 是：

$$
\boxed{
\alpha=1.
}
$$

---

# 2. 幾個代表性數字

| $\alpha$ | 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：

- $\alpha<1$：rare classes 被加重；
- $\alpha>1$：high-probability classes 被加重；
- 離 $1$ 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 $\alpha\neq1$

對：

$$
0\le\alpha<1
$$

五態反例直接得到：

$$
\Delta_\alpha
=
\frac{1}{1-\alpha}
\log_2
\frac{(2\cdot2^\alpha+1)^2}
{5(4^\alpha+1)}.
$$

而：

$$
5(4^\alpha+1)
-
(2\cdot2^\alpha+1)^2
=
(2^\alpha-2)^2>0.
$$

故：

$$
\Delta_\alpha<0.
$$

對：

$$
\alpha>1
$$

四態反例：

$$
\Delta_\alpha
=
\frac{1}{1-\alpha}
\log_2
\frac{(2^\alpha+2)^2}
{2^{\alpha+3}},
$$

且：

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

因此又有：

$$
\Delta_\alpha<0.
$$

所以：

$$
\boxed{
\alpha=1
}
$$

在：

$$
[0,\infty]
$$

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：

$$
8/8
$$

states 都有正機率的 priors。

結果仍能找到：

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

所以 $\alpha\neq1$ 的 failure 不是 support holes 才會發生。

---

# 5. Multi-Scale Geometry 還是有意義

定義：

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

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

### $\alpha=0$

$$
N_0
=
|\operatorname{supp}Z|.
$$

每個可能 class 都算一票，不管多罕見。

是 support / worst-case possibility geometry。

### $0<\alpha<1$

放大 rare classes。

比較適合：

> 稀有但不能忽略的 obligation outcomes。

### $\alpha=1$

Shannon。

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

### $\alpha>1$

逐漸偏重常見 classes。

### $\alpha=\infty$

$$
N_\infty
=
\frac{1}{p_{\max}}.
$$

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：

$$
\mathcal O_1\subseteq\mathcal O_2,
$$

predictive partition 只會 refine。

Rényi entropy 對 partition splitting 單調，因此：

$$
\boxed{
H_\alpha(Z_{\mathcal O_1})
\le
H_\alpha(Z_{\mathcal O_2})
}
$$

對所有：

$$
\alpha\ge0
$$

都成立。

所以 multi-scale geometry 不是沒用了。

而是：

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

普遍存在，

但：

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

只有 Shannon order 普遍存在。

---

# 7. 這讓 Distinction Economy 分成兩層

第一層：

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

由：

$$
\alpha
$$

決定你如何看待 rare vs common distinctions。

第二層：

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

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

則被迫選：

$$
\boxed{
\alpha=1.
}
$$

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：

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

而 HFMU-014 又告訴我們：

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

真正具有一般 compositional law 的 measure，

至少在 Rényi family 中，

就是：

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

---

# 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：

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

反過來當 axioms，

看看能否導出／逼近 Shannon information。

如果成立，這條線會從：

$$
\text{實驗發現}
$$

進到：

$$
\boxed{
\text{資訊量的結構性選擇原理}.
}
$$