[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Normalization-Strategies.md

@@ -2,63 +2,34 @@
 id: wiki-2026-0508-normalization-strategies
 title: Normalization Strategies
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [DL-NORM-001]
-duplicate_of: none
+status: duplicate
+canonical_id: Normalization
+duplicate_of: Normalization
+aliases: [Normalization Strategies, Data Normalization, Feature Scaling Strategies]
 source_trust_level: A
-confidence_score: 1.0
-tags: [ai, Deep-Learning, Normalization, batch-norm, layer-norm, training-Stability]
+confidence_score: 0.95
+verification_status: applied
+tags: [redirect, normalization, preprocessing, scaling]
 raw_sources: []
-last_reinforced: 2026-04-26
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
+tech_stack: { language: python, framework: sklearn }
 ---
 
-# Normalization Strategies (정규화 전략)
+# Normalization Strategies → [[Normalization]]
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "데이터의 날것 그대로의 요동을 차분히 길들여, 신경망이 혼란 없이 최적의 길(Gradient)을 찾도록 하라" — 신경망 내부의 데이터 분포를 일정하게 유지함으로써 학습 속도를 높이고 기울기 소실/폭주 문제를 완화하여 모델의 수렴 안정성을 극대화하는 기법.
+이 문서는 `[[Normalization]]`의 중복으로, canonical 문서로 통합되었다.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Distribution Re[[Alignment|Alignment]] and Internal Covariate [[Shift|Shift]] Mitigation" — 각 층을 통과하며 변하는 데이터의 평균과 분산을 특정 범위(보통 평균 0, 분산 1)로 강제로 조정하여, 후속 레이어들이 안정적인 입력 데이터 분포를 바탕으로 학습에만 집중하게 만드는 패턴.
-- **주요 전략:**
-    - **Batch Normalization:** 미니 배치 단위의 통계량을 사용하여 정규화. CNN 등 일반적인 딥러닝에서 매우 효과적.
-    - **Layer Normalization:** 각 데이터 샘플 내의 모든 특징을 기준으로 정규화. 시퀀스 데이터와 Transformer 아키텍처의 표준.
-    - **Instance Normalization:** 각 채널별로 정규화. 주로 스타일 전이(Style Transfer) 및 생성 모델에서 사용.
-    - **Group Normalization:** 특징 채널을 그룹으로 묶어 정규화. 배치 크기가 매우 작을 때 Batch Norm의 대안으로 활용.
-- **의의:** 더 깊은 신경망을 더 높은 학습률로 더 빠르게 학습시킬 수 있게 하는 현대 딥러닝 최적화의 핵심 인프라.
+## 한 줄
+정규화 전략(Min-Max, Z-score, Robust, L1/L2)은 모두 `[[Normalization]]`에서 통합 다룬다.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 정규화가 단순히 내부 공변량 변화(Internal Covariate Shift)를 줄이기 때문이라는 초기 가설을 넘어, 실제로는 손실 함수 곡면(Loss Landscape)을 매끄럽게 만들어 최적화를 쉽게 한다는 평탄화(Smoothing) 관점이 현대적 정설임.
-- **정책 변화:** Antigravity 프로젝트는 대규모 언어 모델 학습 및 추론 시, 연산 효율과 안정성이 입증된 Pre-Layer Normalization 아키텍처를 기본 사양으로 적용함.
+## 이유
+"Normalization Strategies"는 단일 주제 `Normalization`의 별칭이다. 데이터 전처리, BatchNorm/LayerNorm 등 신경망 정규화도 동일 canonical에서 분기 설명한다.
 
-## 🔗 지식 연결 (Graph)
-- [[Layer-Normalization|Layer-Normalization]], Batch-Normalization-Exploration, Deep-Learning-Foundations, [[Gradient-Descent|Gradient-Descent]]-Foundations
-- **Raw Source:** 10_Wiki/Topics/AI/Normalization-Strategies.md
+## 🔗 Graph
+- Canonical: `[[Normalization]]`
+- Related: `[[Feature-Engineering]]`, `[[Standardization]]`, `[[Batch-Normalization]]`, `[[Layer-Normalization]]`
 
-## 🤖 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 |
+## 🕓 Changelog
+- 2026-05-08 Phase 1: 중복 감지, redirect 변환.
+- 2026-05-10 Manual cleanup: frontmatter/aliases 정리.