[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,64 +2,34 @@
|
||||
id: wiki-2026-0508-loss-functions
|
||||
title: Loss Functions
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-LOFU-001]
|
||||
duplicate_of: none
|
||||
status: duplicate
|
||||
canonical_id: loss-functions-foundations
|
||||
duplicate_of: "[[Loss-Functions-Foundations]]"
|
||||
aliases: []
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [auto-reinforced, loss-functions, Optimization, machine-learning, error-measurement, cost-function]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 0.9
|
||||
verification_status: redirected
|
||||
tags: [duplicate, loss, training]
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
---
|
||||
|
||||
# [[Loss Functions|Loss Functions]]
|
||||
# Loss Functions
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "모델의 반성문 도우미: AI의 예측이 실제 정답과 얼마나 동떨어져 있는지 수치(Penalty)로 계산하여, 모델이 스스로 '아, 내가 이만큼 틀렸구나'를 깨닫고 정답을 향해 가중치를 수정하게 만드는 성적표이자 학습의 이정표."
|
||||
> **이 문서는 [[Loss-Functions-Foundations]] 의 중복본입니다.** Canonical 문서로 redirect.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
손실 함수(Loss Functions)는 모델의 출력값과 실제 정답 사이의 오차를 정의하는 수학적 함수입니다.
|
||||
## 핵심 요약
|
||||
- Regression: MSE, MAE, Huber, Quantile
|
||||
- Classification: CE, BCE, Focal, label smoothing
|
||||
- Metric: Contrastive, Triplet, InfoNCE
|
||||
- Segmentation: Dice, IoU, Tversky
|
||||
- 전체 패턴/결정 기준은 canonical 참조.
|
||||
|
||||
1. **현실적인 사용 사례**:
|
||||
* **Mean Squared Error (MSE)**: 수치 예측(Regression) 시 오차의 제곱을 평균 냄. (멀리 틀릴수록 벌금이 기하급수적으로 커짐)
|
||||
* **Cross-Entropy**: 분류(Classification) 시 정답 확률 분포와 모델 예측 분포의 차이를 측정. ([[Information-Entropy|Information-Entropy]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 손실 함수의 형태에 따라 모델이 학습하는 방향과 성격이 결정되며, 이 함수의 경사를 따라가는 과정이 곧 학습(Training)이기 때문임. ([[Gradient-Descent|Gradient-Descent]]와 연결)
|
||||
## 🔗 Graph
|
||||
- 부모: [[Loss-Functions-Foundations]] (canonical)
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '틀린 횟수'를 줄이는 정책에 그쳤으나, 현대 정책은 정답과의 수치적 거리뿐만 아니라 '답변의 질'이나 '인간의 선호도'를 손실 함수 정책에 반영함(RL Update). (DPO (Direct PReference Optimization)와 연결)
|
||||
- **정책 변화(RL Update)**: 단순히 오차를 줄이는 정책을 넘어, 모델이 너무 복잡해지는 것을 막기 위해 '벌칙항(Penalty term)'을 손실 함수에 추가하여 일반화 성능을 높이는 정규화 정책이 필수화됨. ([[L2-Regularization|L2-Regularization]]와 연결)
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Gradient-Descent|Gradient-Descent]], [[Optimization|Optimization]], [[Information-Entropy|Information-Entropy]], [[L2-Regularization|L2-Regularization]], [[DPO (Direct Preference Optimization)|DPO (Direct Preference Optimization)]]
|
||||
- **Modern Tech/Tools**: KL Divergence, Huber Loss, Hinge Loss, Log Loss.
|
||||
---
|
||||
|
||||
## 🤖 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 — canonical로 redirect |
|
||||
|
||||
Reference in New Issue
Block a user