[G1-Sync] Manual knowledge update

10_Wiki/Topics/AI_and_ML/Uncertainty-Quantification.md

@@ -2,64 +2,34 @@
 id: wiki-2026-0508-uncertainty-quantification
 title: Uncertainty Quantification
 category: 10_Wiki/Topics
-status: needs_review
-canonical_id: self
-aliases: [UQ-001]
-duplicate_of: none
+status: duplicate
+canonical_id: epistemic-uncertainty
+duplicate_of: "[[Epistemic-Uncertainty]]"
+aliases: [UQ]
 source_trust_level: A
-confidence_score: 1.0
-tags: [ai, machine-learning, Statistics, uncertainty, bayesian]
-raw_sources: []
-last_reinforced: 2026-04-26
+confidence_score: 0.9
+verification_status: redirected
+tags: [duplicate, uncertainty, ml]
+last_reinforced: 2026-05-10
 github_commit: pending
-inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
-# Uncertainty Quantification (불확실성 정량화)
+# Uncertainty Quantification
 
-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "단순히 답을 내는 것을 넘어, 스스로 얼마나 모르는지 측정하라" — AI 모델의 예측 결과에 대해 데이터의 노이즈나 모델의 지식 부족으로 인한 불확실성을 수치화하여 신뢰 구간을 제시하는 기술.
+> **이 문서는 [[Epistemic-Uncertainty]] 의 중복본입니다.** Canonical 문서로 redirect.
 
-## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** 모델의 출력값에 확률적 분포를 도입하여, 예측의 확신도를 함께 계산함으로써 위험한 결정을 방지하고 탐색을 최적화하는 패턴.
-- **두 가지 핵심 유형:**
-    - **Aleatoric Uncertainty:** 데이터 자체의 노이즈나 무작위성에서 기인 (예: 관측 장비의 오차). 데이터를 더 모아도 줄어들지 않음.
-    - **Epistemic Uncertainty:** 모델의 지식 부족에서 기인. 학습 데이터를 보강하면 줄일 수 있음.
-- **주요 기법:**
-    - **MC Dropout:** 드롭아웃을 추론 시에도 적용하여 여러 번 샘플링한 결과의 분산을 측정.
-    - **Bayesian Neural Networks:** 가중치를 고정된 값이 아닌 확률 분포로 학습.
-    - **Deep Ensembles:** 여러 모델의 예측값 차이를 불확실성으로 활용.
+## 핵심 요약 (specialization aspects)
+- **UQ scope**: 매 epistemic (model uncertainty, reducible) + aleatoric (data noise, irreducible) 의 통합 frame.
+- **Methods**: MC dropout, deep ensembles, conformal prediction, Bayesian NN, evidential learning.
+- **2026 state**: conformal prediction 의 distribution-free guarantee 가 production default.
+- 매 epistemic 단독 deep dive 의 X — 매 [[Epistemic-Uncertainty]] 참조.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
-- **과거 데이터와의 충돌:** 예측 결과(Point estimation)에만 집중하던 방식에서, 최근에는 의료, 자율주행 등 안전이 중요한 분야를 중심으로 불확실성 산출이 필수 요구사항으로 부상.
-- **정책 변화:** Antigravity 에이전트는 답변 생성 시 불확실성 정량화 기법을 사용하여, 확신도가 낮은 정보에 대해서는 사용자에게 별도의 주의 문구를 표시하거나 연구 필요 목록으로 분류함.
+## 🔗 Graph
+- 부모: [[Epistemic-Uncertainty]] (canonical)
+- Adjacent: [[Aleatoric-Uncertainty]] · [[Conformal-Prediction]] · [[Bayesian-Deep-Learning]]
 
-## 🔗 지식 연결 (Graph)
-- Bayesian-Inference, AI-Safety, [[Gaussian-Processes|Gaussian-Processes]], Machine-Learning
-- **Raw Source:** 10_Wiki/Topics/AI/Uncertainty-Quantification.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 |