[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/L2-Regularization.md

@@ -2,64 +2,34 @@
 id: wiki-2026-0508-l2-regularization
 title: L2 Regularization
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [P-Reinforce-AUTO-L2RE-001]
-duplicate_of: none
+status: duplicate
+canonical_id: l1-and-l2-regularization
+duplicate_of: "[[L1-and-L2-Regularization]]"
+aliases: []
 source_trust_level: A
-confidence_score: 0.97
-tags: [auto-reinforced, l2-Regularization, machine-learning, Deep-Learning, Overfitting, weight-decay]
-raw_sources: []
-last_reinforced: 2026-04-20
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, regularization, ridge, weight-decay]
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
-# [[L2-Regularization|L2-Regularization]]
+# L2 Regularization
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "신경망을 겸손하게: 모델이 특정 데이터에 너무 과하게 최적화(Overfitting)되어 괴물이 되지 않도록, 가중치값이 너무 커지면 벌금(Penalty)을 매겨 모델을 더 단순하고 부드럽게 만드는 수학적 억제제."
+> **이 문서는 [[L1-and-L2-Regularization]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-L2 정규화(L2-Regularization) 혹은 Ridge 정규화는 모델의 복잡도를 제어하는 기법입니다.
+## 핵심 요약 (specialized aspects)
+- L2 = Ridge = weight decay. Penalty: $\lambda\|\beta\|_2^2$. 모든 계수를 0 근처로 수축하지만 정확히 0은 아님 — feature selection 효과 없음.
+- Closed-form: $\hat\beta = (X^TX + \lambda I)^{-1}X^Ty$.
+- Bayesian view: Gaussian prior on weights.
+- Deep learning에서 SGD weight_decay 파라미터로 자주 사용. AdamW (decoupled weight decay)가 표준.
+- L1과의 차이/조합 (Elastic Net)은 canonical [[L1-and-L2-Regularization]] 문서에 통합.
 
-1.  **수학적 원리**:
-    *   손실 함수(Loss Function)에 모든 가중치 제곱의 합($\sum w^2$)을 더함.
-    *   가중치 $w$가 커질수록 손실값도 커지므로, 학습 과정에서 자연스럽게 가중치를 작은 값으로 유지함. ([[Gradient-Descent|Gradient-Descent]]와 연결)
-2.  **효과**:
-    *   특정 데이터 포인트에 지나치게 민감하게 반응하는 것을 방지하여, 처음 보는 데이터에도 잘 작동하는 '일반화 성능' 향상.
+## 🔗 Graph
+- 부모: [[L1-and-L2-Regularization]] (canonical)
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌**: 과거에는 복잡한 수식 증명 정책 위주였으나, 현대 정책은 실제 성능 향상을 위해 '가중치 감쇠(Weight Decay) 정책'이라는 이름으로 모든 최적화 알고리즘(AdamW 등)에 기본 내장 정책으로 사용됨(RL Update).
-- **정책 변화(RL Update)**: 거대 모델 정책([[Foundation-Models|Foundation-Models]])에서는 파라미터가 너무 많아 정규화가 필수적이지만, 단순히 가중치를 줄이는 것을 넘어 '드롭아웃(Dropout)'이나 '데이터 증강' 등 다양한 정책과 혼합하여 사용됨.
-
-## 🔗 지식 연결 (Graph)
-- [[Gradient-Descent|Gradient-Descent]], [[Optimization|Optimization]], Deep Learning (DL), [[Efficiency|Efficiency]], Scaling-Laws
-- **Modern Tech/Tools**: Ridge regression, Weight decay in PyTorch/TensorFlow, AdamW optimizer.
----
-
-## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
-
-**언제 이 지식을 쓰는가:**
-- *(TODO)*
-
-**언제 쓰면 안 되는가:**
-- *(TODO)*
-
-## 🧪 검증 상태 (Validation)
-
-- **정보 상태:** needs_review
-- **출처 신뢰도:** A
-- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
-
-## 🧬 중복 검사 (Duplicate Check)
-
-- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
-- **처리 방식:** UPDATE (자동 정규화)
-- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
-
-## 🕓 변경 이력 (Changelog)
-
-| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
-|------|-----------|-----------|--------|
-| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
+## 🕓 변경 이력
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | 중복 처리 — canonical 문서로 redirect |