[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Residual-Networks.md

@@ -2,88 +2,32 @@
 id: wiki-2026-0508-residual-networks
 title: Residual Networks
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [DL-RESNET-001]
-duplicate_of: none
+status: duplicate
+canonical_id: resnet-architectures
+duplicate_of: "[[ResNet-Architectures]]"
+aliases: []
 source_trust_level: A
-confidence_score: 1.0
-tags: [ai, Deep-Learning, resnet, residual-learning, skip-connection, neural-Architecture, Computer-Vision]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, cnn, deep-learning, resnet]
+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
 ---
 
-# Residual Networks (ResNet, 잔차 네트워크)
+# Residual Networks
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "기존 지식(Input)을 출력에 그대로 더하는 '지능의 고속도로(Skip Connection)'를 건설하여, 신경망의 깊이가 성능의 족쇄가 아닌 엔진이 되게 하라" — 층이 깊어질수록 학습 성능이 오히려 떨어지는 퇴화(Degradation) 문제를 해결하기 위해 잔차 학습(Residual Learning) 개념을 도입한 획기적인 신경망 아키텍처.
+> **이 문서는 [[ResNet-Architectures]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "identity Mapping and Gradient Propagation" — 모델이 복잡한 매핑($H(x)$)을 직접 배우는 대신, 입력 대비 변화량($F(x) = H(x) - x$)인 잔차만을 배우게 하고 입력값($x$)은 그대로 전달(Shortcut)하여 깊은 층에서도 기울기 소실을 방지하는 패턴.
-- **핵심 혁신:**
-    - **Skip Connections:** 층과 층 사이를 건너뛰는 연결로 그래디언트의 원활한 역전파 보장.
-    - **Residual Block:** 입력을 그대로 보존하는 항등 매핑(Identity Mapping) 구조.
-    - **Architecture Depth:** 18층에서 시작해 152층 이상의 극단적으로 깊은 네트워크 학습 가능.
-- **의의:** ILSVRC 2015 우승을 기점으로 딥러닝 아키텍처 설계의 패러다임을 바꿨으며, 현재는 트랜스포머를 포함한 거의 모든 현대 신경망의 필수 요소로 자리 잡음.
+## 핵심 요약 (specialization aspects)
+- "Residual Networks" 는 매 He et al. 2015 의 매 original 명칭 — canonical "ResNet-Architectures" 매 동일 개념의 매 architecture-family 강조 form.
+- Skip connection / identity mapping principle은 매 transformer (residual stream) 까지 매 영향 — [[Transformer-Architecture]] · [[Residual-Stream]] 참조.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 층이 깊을수록 무조건 좋다는 맹신에서 벗어나, 이제는 스킵 연결이 사실상 얕은 네트워크들의 앙상블 효과를 낸다는 해석이 힘을 얻고 있으며, 이를 통해 네트워크의 유효 깊이(Effective Depth)를 관리하는 방향으로 발전함.
-- **정책 변화:** Antigravity 프로젝트는 비전 및 오디오 인식 모델의 백본(Backbone) 설계 시, 학습 안정성과 성능이 검증된 ResNet 계열 아키텍처를 최우선 베이스라인으로 활용함.
+## 🔗 Graph
+- 부모: [[ResNet-Architectures]] (canonical)
+- Adjacent: [[Skip-Connection]] · [[Identity-Mapping]] · [[Transformer-Architecture]] · [[Vanishing-Gradient]]
 
-## 🔗 지식 연결 (Graph)
-- [[ResNet-Architectures|ResNet-Architectures]], Deep-Learning-Foundations, [[Backpropagation|Backpropagation]]-Foundations, [[ReLU-Activation-Functions|ReLU-Activation-Functions]]
-- **Raw Source:** 10_Wiki/Topics/AI/Residual-Networks.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 |