[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Parameter-Efficient Fine-Tuning (PEFT).md

@@ -1,64 +1,32 @@
 ---
 id: wiki-2026-0508-parameter-efficient-fine-tuning-
-title: Parameter Efficient Fine Tuning (PEFT)
+title: Parameter-Efficient Fine-Tuning (PEFT)
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [PEFT-001]
-duplicate_of: none
+status: duplicate
+canonical_id: peft-parameter-efficient-fine-tu
+duplicate_of: "[[PEFT (Parameter-Efficient Fine-Tuning)]]"
+aliases: []
 source_trust_level: A
-confidence_score: 1.0
-tags: [ai, llm, Fine-tuning, peft, Efficiency]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, peft]
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
-# [[Parameter]]-Efficient Fine-Tuning (PEFT, 효율적 미세 조정)
+# Parameter-Efficient Fine-Tuning (PEFT)
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "전체 가중치를 다 바꾸지 않고도 모델의 전문성을 극대화하라" — 거대 모델의 대부분 가중치는 고정한 채, 아주 적은 수의 추가 파라미터나 일부 레이어만 학습시켜 성능 효율과 비용을 동시에 잡는 튜닝 전략.
+> **이 문서는 [[PEFT (Parameter-Efficient Fine-Tuning)]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 모델의 핵심 지식(Pre-trained weights)은 보존하면서, 특정 태스크에 필요한 미세한 조정값만을 효율적으로 학습하여 배포하는 패턴.
-- **주요 기법:**
-    - **[[LoRA (Low-Rank Adaptation)]]:** 가중치 행렬의 변화량을 저순위 행렬곱으로 근사하여 학습.
-    - **Prefix Tuning:** 입력 데이터 앞에 학습 가능한 가상 토큰(Prefix)을 추가하여 모델의 거동 제어.
-    - **Adapter Modules:** 기존 레이어 사이에 아주 작은 신경망 층을 삽입하여 해당 부분만 학습.
-    - **[[prompt]] Tuning:** 프롬프트 자체를 벡터 형태로 학습하여 최적의 지시어를 찾음.
-- **장점:** 연산량 급감, 모델 저장 공간 절약(MB 단위), 여러 태스크에 대한 어댑터를 독립적으로 관리 가능.
+## 핵심 요약
+- 매 same topic — title ordering 차이 (acronym-first vs full-first).
+- Canonical 문서: LoRA, QLoRA, DoRA, prefix/prompt tuning, IA³, adapters 의 full coverage.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 모든 파라미터를 다시 학습시키던 Full Fine-tuning에서, 자원 효율성이 강조되는 PEFT 중심으로 산업계 표준이 이동.
-- **정책 변화:** Antigravity 프로젝트는 새로운 위키 도메인 학습 시 PEFT(특히 LoRA)를 기본 사양으로 채택하여 하드웨어 비용을 90% 이상 절감함.
+## 🔗 Graph
+- 부모: [[PEFT (Parameter-Efficient Fine-Tuning)]] (canonical)
 
-## 🔗 지식 연결 (Graph)
-- [[Low-Rank-Adaptation-LoRA]], [[Fine-Tuning]], [[LLM]], Transfer-Learning
-- **Raw Source:** 10_Wiki/Topics/AI/Parameter-Efficient Fine-Tuning (PEFT).md
-
-## 🤖 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 |