[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/RMSProp-Optimizer.md

@@ -2,87 +2,33 @@
 id: wiki-2026-0508-rmsprop-optimizer
 title: RMSProp Optimizer
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [DL-OPT-RMSPROP-001]
-duplicate_of: none
+status: duplicate
+canonical_id: optimization-in-ai
+duplicate_of: "[[Optimization-in-AI]]"
+aliases: []
 source_trust_level: A
-confidence_score: 1.0
-tags: [ai, Deep-Learning, Optimization, rmsprop, learning-rate, Gradient-Descent, adaptive-learning]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, optimizer, rmsprop, deep-learning]
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
-tech_stack:
-  language: unspecified
-  framework: unspecified
 ---
 
-# RMSProp Optimizer (RMSProp 옵티마이저)
+# RMSProp Optimizer
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "최근 기울기의 제곱 평균을 활용해 학습의 보폭을 실시간으로 조율하고, 진동을 억제하며 전역 최적해(Global Optimum)를 향한 안정적인 항해를 지속하라" — 아다그라드(Adagrad)의 학습률 급감 문제를 지수 이동 평균(Exponential Moving Average)을 통해 개선한 적응형 학습률 최적화 알고리즘.
+> **이 문서는 [[Optimization-in-AI]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Adaptive Scaling and Gradient [[Normalization|Normalization]]" — 과거의 모든 기울기가 아닌 '최근'의 기울기 에너지를 바탕으로 학습률을 나누어줌으로써, 가파른 경사에서는 보폭을 줄여 튕겨나가는 것을 방지하고 완만한 경사에서는 보폭을 키워 학습 속도를 유지하는 패턴.
-- **핵심 메커니즘:**
-    - **Exponential Moving Average:** 과거 기울기 제곱의 영향을 감쇠 계수(Decay factor, $\rho$)를 통해 조절.
-    - **Learning Rate Normalization:** 기울기를 최근 제곱 평균의 제곱근(RMS)으로 나누어 업데이트.
-- **의의:** 순환 신경망(RNN)이나 복잡한 딥러닝 모델에서 기울기 소실/폭주 문제를 완화하며 학습을 안정화하는 데 탁월한 성능을 보임.
+## 핵심 요약
+- RMSProp (Hinton 2012, Coursera lecture): per-parameter adaptive LR, EMA of squared gradients.
+- Update: v ← β·v + (1−β)·g²; θ ← θ − lr·g / (√v + ε).
+- 매 Adagrad 의 monotonic decay 문제 의 fix (EMA 의 forget). Adam 의 RMSProp + momentum.
+- 매 still used: RNN, RL (DQN classic), 매 modern default 의 AdamW.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 논문이 아닌 힌튼 교수의 Coursera 강의에서 처음 소개되었다는 독특한 역사를 가지고 있으며, 이후 등장한 Adam 옵티마이저의 핵심 구성 요소 중 하나가 되어 현대 최적화 이론의 근간이 됨.
-- **정책 변화:** Antigravity 프로젝트는 시계열 데이터 처리나 RNN 계열 모델의 학습 시, 하이퍼파라미터 튜닝이 비교적 용이하고 안정성이 검증된 RMSProp을 우선적인 최적화 옵션으로 고려함.
+## 🔗 Graph
+- 부모: [[Optimization-in-AI]] (canonical)
 
-## 🔗 지식 연결 (Graph)
-- [[Optimization-Algorithms|Optimization-Algorithms]], Adam-Optimizer-Foundations, [[Backpropagation|Backpropagation]]-Foundations, [[Recurrent-Neural-Networks|Recurrent-Neural-Networks]]
-- **Raw Source:** 10_Wiki/Topics/AI/RMSProp-Optimizer.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 |
-
-## 💻 코드 패턴 (Code Patterns)
-
-**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
-
-```text
-# TODO
-```
-
-## 🤔 의사결정 기준 (Decision Criteria)
-
-**선택 A를 써야 할 때:**
-- *(TODO)*
-
-**선택 B를 써야 할 때:**
-- *(TODO)*
-
-**기본값:**
-> *(TODO)*
-
-## ❌ 안티패턴 (Anti-Patterns)
-
-- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
+## 🕓 변경 이력
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | 중복 처리 — canonical 문서로 redirect |