docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links

10_Wiki/Topics/AI/Label-Noise-and-Robustness.md

@@ -2,7 +2,7 @@
 id: ML-ROBUST-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [machine-learning, label-[[Noise]], [[Robustness]], robust-learning, data-quality]
+tags: [machine-learning, label-[[Noise|Noise]], [[Robustness|Robustness]], robust-learning, data-quality]
 last_reinforced: 2026-04-26
 ---
 
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
 ## 📖 구조화된 지식 (Synthesized Content)
 - **추출된 패턴:** "Noise-tolerance" — 손실 함수를 수정하여 특정 오차에 둔감하게 만들거나, 신뢰할 수 없는 샘플의 비중을 낮추어 정제되지 않은 데이터로부터 핵심 정보를 추출하는 방어적 학습 패턴.
 - **주요 전략:**
-    - **Robust [[Loss Functions]]:** 평균 제곱 오차(MSE)보다 이상치에 강한 절대 오차(MAE)나 후버 손실(Huber Loss) 사용.
+    - **Robust [[Loss Functions|Loss Functions]]:** 평균 제곱 오차(MSE)보다 이상치에 강한 절대 오차(MAE)나 후버 손실(Huber Loss) 사용.
     - **Sample Cleaning/Selection:** 모델이 확신을 가지지 못하는 샘플을 잠재적 노이즈로 판단하여 제거하거나 가중치를 낮춤.
     - **Label Smoothing:** 정답을 1.0이라는 절대적 수치 대신 0.9 정도로 완화하여 모델의 과도한 확신을 억제.
 - **의의:** 완벽한 레이블링이 불가능한 대규모 실제 데이터셋(웹 크롤링 등) 환경에서 안정적인 AI 시스템을 구축하기 위한 필수 조건.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 비정형 로우 데이터(`00_Raw`)에서 지식을 자동 추출할 때, 추출 엔진 간의 불일치를 노이즈로 간주하고 다수결 및 신뢰도 기반 필터링을 통해 지식의 무결성을 확보함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Loss-Functions-Foundations]], Un[[Supervised-Learning-Foundations]], [[Supervised-Learning-Foundations]], [[Generalization-in-AI]]
+- [[Loss-Functions-Foundations|Loss-Functions-Foundations]], UnSupervised-Learning-Foundations, Supervised-Learning-Foundations, [[Generalization-in-AI|Generalization-in-AI]]
 - **Raw Source:** 10_Wiki/Topics/AI/Label-Noise-and-Robustness.md