[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Prioritized-Experience-Replay.md

@@ -2,62 +2,35 @@
 id: wiki-2026-0508-prioritized-experience-replay
 title: Prioritized Experience Replay
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [RL-PER-001]
-duplicate_of: none
+status: duplicate
+canonical_id: experience-replay
+duplicate_of: "[[Experience-Replay]]"
+aliases: [PER]
 source_trust_level: A
-confidence_score: 1.0
-tags: [ai, Reinforcement-Learning, prioritized-Experience-Replay, per, dqn, learning-Efficiency]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, reinforcement-learning, replay-buffer]
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
-# Prioritized Experience Replay (우선순위 경험 재생)
+# Prioritized Experience Replay
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "모든 과거를 공평하게 기억하지 말고, 예상 밖의 '충격적 경험(TD Error)'을 더 자주 복기하여 학습의 가속도를 높여라" — 강화학습 에이전트의 경험 저장소(Replay Buffer)에서 학습 효율이 높은 중요한 샘플에 가중치를 두어 우선적으로 샘플링하는 기법.
+> **이 문서는 [[Experience-Replay]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Learning from Surprise and Weighted Importance Sampling" — 현재 모델이 예측한 가치와 실제 결과 사이의 차이(TD Error)가 큰 샘플일수록 '아직 배울 것이 많다'고 판단하여, 해당 데이터를 더 자주 학습에 활용함으로써 수렴 속도를 비약적으로 향상시키는 패턴.
-- **핵심 메커니즘:**
-    - **Priority ($p_i$):** TD Error에 비례하여 산정.
-    - **Sampling Probability:** 우선순위에 따른 확률 분포 생성.
-    - **Importance Sampling Weights:** 우선순위 샘플링으로 인한 데이터 편향을 수학적으로 보정하여 학습 안정성 유지.
-- **의의:** 무작위 샘플링(Uniform Sampling)보다 훨씬 적은 경험 데이터로도 복잡한 작업을 빠르게 마스터하게 하며, 드문 보상(Sparse Reward) 환경에서 결정적인 역할을 수행함.
+## 핵심 요약 (specialization aspects)
+- **Schaul et al 2016 (ICLR)**: 매 sample transitions proportional to TD-error magnitude — high-error transitions trained more often.
+- **Sampling probability**: P(i) ∝ |δ_i|^α (α=0.6 typical).
+- **Importance sampling weights**: w_i = (N · P(i))^(-β) — corrects bias from non-uniform sampling; β annealed 0.4 → 1.0.
+- **SumTree** data structure: O(log N) sample + update.
+- 매 strict superset of uniform replay; default in Rainbow DQN.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 초기 DQN의 무작위 재생 방식에서 벗어나, 이제는 데이터의 '질적 가치'를 평가하여 학습에 반영하는 지능적 데이터 선별 방식이 현대 강화학습의 정석으로 자리 잡음.
-- **정책 변화:** Antigravity 프로젝트는 에이전트의 예외 상황 처리 능력을 키울 때, 과거의 실패 사례 중 모델의 예측 오차가 가장 컸던 지점들을 우선적으로 재학습시키는 PER 전략을 적용함.
+## 🔗 Graph
+- 부모: [[Experience-Replay]] (canonical)
+- Adjacent: [[DQN]] · [[Rainbow-DQN]] · [[TD-Learning]]
 
-## 🔗 지식 연결 (Graph)
-- Experience-Replay-Strategies, [[Off-policy-vs-On-policy-Learning|Off-policy-vs-On-policy-Learning]], [[Deep-Q-Networks-DQN|Deep-Q-Networks-DQN]], [[Reinforcement-Learning|Reinforcement-Learning]]
-- **Raw Source:** 10_Wiki/Topics/AI/Prioritized-Experience-Replay.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 [[Experience-Replay]] 로 redirect, PER specialization aspects 보존 |