谱函数与结构函数空间中的概率度量

我们提出了一种新颖的数据参数化技术，基于在函数空间中构建概率度量的做法，能够保留实验误差和相关性的完整信息。该度量以两步过程构建：首先生成一组实验数据副本的蒙特卡洛抽样，然后在这些数据上训练一个神经网络集合。这种参数化方法不会因固定函数形式的选择而引入任何偏差。本文展示了该技术的两种应用。首先，在谱函数空间中生成了$\\rho_{V-A}(s)$的概率度量，纳入了手征求和规则等理论约束，用于评估真空凝聚子。然后我们构建了在质子结构函数$F_2^p(x,Q^2)$空间中的概率度量，更新了之前的工作，纳入了HERA数据。