在类别理论的许多应用中,推理“负面信息”很有用。例如,在计划问题中,提供最佳解决方案与给出可行的解决方案(“正面”信息)以及证明没有比给出的解决方案更好的事实(“负”信息)相同(“正面”信息) )。我们通过引入“偏态”的概念而不是形态学的积极信息来对负面信息进行建模。 “ Nategory”是一个具有“ NOM”集之外的类别,除了HOMSETS之外,并指定了偶然性和形态之间的兼容性规则。通过这种设置,我们可以选择在“连贯”的“子类别”中工作:描述世界上所有形态和脱模的世界的潜在实例化的子类别。我们在连贯的子表格中得出了千边形的组成规则;我们表明,偏态并不是自己构成的,而是需要将态性用作催化剂。我们有两个不同的规则,即类型$ \ text {morphism} + \ text {norphism} \ rightarrow \ text {norphism} $。然后,我们证明,从丰富的类别理论的角度来看,那些复杂的偏态推论实际上与形态的规则一样自然。每个小类别都超过$ \ text {p} = \ langle \ text {set},\ times,1 \ rangle $。我们表明,我们可以通过考虑对某个称为PN的单型类别的富集来得出偏源的机制(用于“正”/“负”)。总而言之,我们表明,使用逻辑在分类形式化之上考虑负面信息的替代方法是“对”负面信息,获得与正箭头相同水平的负箭头,并建议新的推理规则从丰富的类别理论的角度出生是相同物质的。
translated by 谷歌翻译