PDF 확률론: 함수 공간에서의 파트론 분포 추정

초록

NNPDF 방법론을 이용해 파트론 분포(PDF)를 확률 밀도 함수로 정의하고, 몬테‑카를로 복제, 신경망 파라미터화, 유전 알고리즘 학습, 교차 검증을 결합해 통계적 일관성을 검증한다. 파라미터 형태에 무관함, 베이즈 정리 적용, 데이터와 함수 형태 불확실성 분리 등을 실험적으로 확인한다.

상세 분석

본 논문은 파트론 분포(PDF)를 “함수의 확률 분포”라는 관점에서 다루는 NNPDF 접근법을 상세히 검증한다. 핵심은 1000개의 데이터 복제(레플리카)를 생성해 각 복제마다 신경망(7개의 PDF를 각각 37개의 자유 파라미터로 표현)으로 학습하고, 유전 알고리즘을 통해 전역 최소점을 탐색한다. 교차 검증(cross‑validation) 절차를 도입해 훈련 χ²와 검증 χ²의 변화를 모니터링함으로써 과적합을 방지하고, 최적 모델을 “학습이 멈추는 시점”에서 선택한다.

통계적 일관성 검증을 위해 저자들은 여러 지표를 도입한다. 첫째, 전체 χ²_tot, 평균 복제 χ²(k) 및 레플리카‑대‑레플리카 χ²(E_i) 를 비교해 복제들이 원 데이터보다 더 잘 맞는다는 “학습” 현상을 확인한다. 둘째, “거리” 메트릭 d