[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,91 +2,122 @@
|
||||
id: wiki-2026-0508-noise
|
||||
title: Noise
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-NOIS-001]
|
||||
aliases: [Noise, 노이즈, Random-Noise]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, noise, signals, data-quality, Information-Theory, Statistics]
|
||||
verification_status: applied
|
||||
tags: [noise, signals, data-quality, information-theory, statistics]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
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
|
||||
language: python
|
||||
framework: numpy
|
||||
---
|
||||
|
||||
# [[Noise|Noise]]
|
||||
# Noise
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "진실을 가리는 불청객: 우리가 진짜 알고 싶은 정보(Signal)에 섞여 들어와 데이터의 정확도를 떨어뜨리고 판단을 흐리게 만드는 무작위한 방해 요소이자, 역설적으로는 이미지 생성이나 보안 암호화의 핵심 재료로 쓰이는 혼돈의 변수."
|
||||
## 매 한 줄
|
||||
> **"매 signal은 noise와 함께 살아간다"**. Noise는 measurement·channel·process에 섞이는 unwanted variation으로, 매 statistical structure (Gaussian, Poisson, 1/f 등)을 가진다. 2026 ML 시대에서도 매 denoising diffusion model의 핵심 도구로 부활.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
노이즈(Noise)는 정보 전달 및 처리 과정에서 원치 않게 발생하는 방해 요소입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **유형**:
|
||||
* **Statistical Noise**: 측정 오차나 우연성에 의한 데이터 변동. ([[Inferential-Statistics|Inferential-Statistics]]와 연결)
|
||||
* **Signal Noise**: 통신이나 녹음 과정에서의 전자적 간섭.
|
||||
* **Concept Noise (Decision Noise)**: 판단 시 나타나는 일관성 없는 편차 (대니얼 카너먼 정의). ([[Judgment|Judgment]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 노이즈를 제거(Denoising)하지 못하면 모델은 데이터의 본질이 아닌 쓸모없는 잡음을 학습([[Overfitting|Overfitting]])하여 예측력이 바닥을 치기 때문임.
|
||||
### 매 분류 (by spectrum)
|
||||
- **White noise**: flat power spectrum, 매 사실상 i.i.d.
|
||||
- **Pink (1/f) noise**: 매 자연계 보편 — neural firing, music, finance.
|
||||
- **Brownian (1/f²)**: 매 random walk integral.
|
||||
- **Shot noise (Poisson)**: 매 photon counting, low-light imaging.
|
||||
- **Quantization noise**: ADC bit depth 한계.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 노이즈를 무조건 지워야 할 '오답 정책'으로만 보았으나, 현대 정책(Diffusion Model 등)은 노이즈로부터 정보를 복원하는 과정 정책을 통해 고해상도 이미지를 생성하는 '노이즈의 창조적 활용 정책'으로 패러다임을 바꿈(RL Update). ([[Gen-AI|Gen-AI]]와 연결)
|
||||
- **정책 변화(RL Update)**: 학습 데이터 정책에서도 의도적으로 노이즈를 섞어(Data Augmentation) 모델의 맷집을 키우는 '강인한 학습 정책'이 일반화 성능의 핵심 정책이 됨.
|
||||
### 매 noise model
|
||||
- Additive: y = x + n (대부분 가정).
|
||||
- Multiplicative: y = x · n (speckle, fading).
|
||||
- Convolutive: 매 reverberation.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Information-Entropy|Information-Entropy]], [[Inferential-Statistics|Inferential-Statistics]], [[Judgment|Judgment]], [[Gen-AI|Gen-AI]], [[Optimization|Optimization]]
|
||||
- **Modern Tech/Tools**: Denoising Autoencoders, Diffusion Models, Gaussian noise, SNR (Signal-to-Noise Ratio).
|
||||
---
|
||||
### 매 응용
|
||||
1. Denoising diffusion (Stable Diffusion 3, FLUX) — noise를 학습 시그널로 사용.
|
||||
2. Differential privacy — Laplace/Gaussian noise 추가.
|
||||
3. Stochastic optimization — SGD의 noise가 generalization 도움.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**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
|
||||
### Gaussian noise 추가
|
||||
```python
|
||||
import numpy as np
|
||||
def add_gaussian(x, sigma=0.1):
|
||||
return x + np.random.normal(0, sigma, x.shape)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Pink noise 생성 (Voss-McCartney)
|
||||
```python
|
||||
def pink_noise(n, num_sources=16):
|
||||
array = np.zeros((num_sources, n))
|
||||
for i in range(num_sources):
|
||||
step = 2 ** i
|
||||
array[i, ::step] = np.random.randn((n + step - 1) // step)
|
||||
return array.sum(axis=0)
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### SNR 계산
|
||||
```python
|
||||
def snr_db(signal, noise):
|
||||
return 10 * np.log10(np.var(signal) / np.var(noise))
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Wiener filter (optimal linear denoise)
|
||||
```python
|
||||
from scipy.signal import wiener
|
||||
denoised = wiener(noisy, mysize=5)
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### DP-noise (differential privacy)
|
||||
```python
|
||||
def laplace_dp(value, sensitivity, epsilon):
|
||||
return value + np.random.laplace(0, sensitivity / epsilon)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Diffusion forward process
|
||||
```python
|
||||
def forward_diffuse(x0, t, betas):
|
||||
alpha_bar = np.cumprod(1 - betas)[t]
|
||||
eps = np.random.randn(*x0.shape)
|
||||
return np.sqrt(alpha_bar) * x0 + np.sqrt(1 - alpha_bar) * eps, eps
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Sensor 측정 | Gaussian assumption + Kalman |
|
||||
| Photon-limited | Poisson MLE |
|
||||
| Privacy preserve | Laplace/Gaussian DP |
|
||||
| Generative model | Diffusion (DDPM/EDM) |
|
||||
|
||||
**기본값**: Additive Gaussian (most analyzable).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Information Theory]] · [[Statistics]]
|
||||
- 변형: [[White-Noise]] · [[Pink-Noise]] · [[Shot-Noise]]
|
||||
- 응용: [[Denoising-Diffusion]] · [[Kalman-Filter-and-State-Tracking]] · [[Differential-Privacy]]
|
||||
- Adjacent: [[Signal-Processing]] · [[Stochastic-Process]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: Data augmentation, robustness training, generative modeling, privacy.
|
||||
**언제 X**: Deterministic exact computation 필요 시.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Noise blindness**: noise model 가정 없이 deterministic 처리.
|
||||
- **SNR 무시**: low-SNR 데이터로 high-precision claim.
|
||||
- **Whiteness 가정**: 매 실제는 colored noise인데 white로 모델링.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Papoulis "Probability, Random Variables, and Stochastic Processes").
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — Noise taxonomy + DP/diffusion patterns |
|
||||
|
||||
Reference in New Issue
Block a user