feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

10_Wiki/Topics/AI_and_ML/Focal-Loss.md

@@ -1,9 +1,18 @@
 ---
-id: LOSS-002
-category: Unified
+id: wiki-2026-0508-focal-loss
+title: Focal Loss
+category: 10_Wiki/Topics
+status: needs_review
+canonical_id: self
+aliases: [LOSS-002]
+duplicate_of: none
+source_trust_level: A
 confidence_score: 1.0
-tags: [ai, [[Deep-Learning|Deep-Learning]], loss-function, focal-loss, imbalanced-data]
+tags: [ai, Deep-Learning, loss-function, focal-loss, imbalanced-data]
+raw_sources: []
 last_reinforced: 2026-04-26
+github_commit: pending
+inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
 ---
 
 # Focal Loss (포컬 손실)
@@ -18,10 +27,36 @@ last_reinforced: 2026-04-26
     - **Alpha ($\alpha$):** 클래스별 가중치 밸런스를 조절.
 - **의의:** 1단계 객체 탐지 모델(예: RetinaNet)에서 전경(Object)보다 압도적으로 많은 배경(Background) 샘플로 인해 학습이 방해받는 문제를 해결하며 혁신적인 성능 향상 도출.
 
-## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
 - **과거 데이터와의 충돌:** 단순히 샘플링 비율을 조절(Oversampling/Undersampling)하던 방식에서, 손실 함수 자체를 수정하여 데이터의 중요도를 동적으로 제어하는 방식으로 진화.
 - **정책 변화:** Antigravity 프로젝트는 수만 개의 일반 지식 문서 사이에서 극소수의 '핵심 프로젝트 로그'를 분류해내는 정밀 탐지 모델 학습 시 포컬 손실을 사용하여 오분류율을 획기적으로 낮춤.
 
 ## 🔗 지식 연결 (Graph)
 - Cross-Entropy-Loss, [[Computer-Vision|Computer-Vision]]-[[Mastery|Mastery]], Deep-Learning-Foundations, Object-Detection-Mastery
 - **Raw Source:** 10_Wiki/Topics/AI/Focal-Loss.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 |