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

10_Wiki/Topics_GD/Algorithmic Fairness.md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-ALFA-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-ALFA-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.96
-tags: [auto-reinforced, algorithmic-fairness, bias, [[Equality]], machine-learning-ethics, data-governance]
+tags: [auto-reinforced, algorithmic-fairness, bias, [[Equality|Equality]], machine-learning-ethics, data-governance]
 last_reinforced: 2026-04-20
 ---
 
-# [[Algorithmic Fairness]]
+# [[Algorithmic Fairness|Algorithmic Fairness]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "데이터에 깃든 차별 걷어내기: AI가 성별, 인종, 계층에 대한 편향을 학습하여 누군가에게 불이익을 주지 않도록, 학습 데이터부터 결과 도출까지 모든 과정의 공정성을 확보하는 엔지니어링 윤리."
@@ -21,7 +21,7 @@ last_reinforced: 2026-04-20
     *   **Demographic Parity**: 모든 집단에 대해 긍정적인 예측 결과 비율이 같아야 함.
     *   **Equalized Odds**: 오답률(FP, FN)이 집단별로 균등해야 함.
 3.  **대응 기법**:
-    *   **Pre-[[Processing]]**: 학습 전 데이터를 재가공하여 균형 맞춤.
+    *   **Pre-[[Processing|Processing]]**: 학습 전 데이터를 재가공하여 균형 맞춤.
     *   **In-processing**: 학습 과정에서 공정성 제약 조건(Penalty) 추가.
     *   **Post-processing**: 결과 도출 후 편향이 감지되면 보정.
 
@@ -30,6 +30,6 @@ last_reinforced: 2026-04-20
 - **정책 변화(RL Update)**: 채용, 대출 심사, 형량 예측 등 민감한 공공 서비스 정책에서 사용되는 알고리즘은 의무적으로 '공정성 영향 평가(Fairness Audit)'를 통과해야 하는 정책이 수립됨.
 
 ## 🔗 지식 연결 (Graph)
-- [[Toxicity-and-Bias-Mitigation]], [[AI Accountability]], [[AI Governance]], [[Ethics & AI]], [[Sociology of Knowledge]]
+- [[Toxicity-and-Bias-Mitigation|Toxicity-and-Bias-Mitigation]], [[AI Accountability|AI Accountability]], [[AI Governance|AI Governance]], [[Ethics & AI|Ethics & AI]], [[Sociology of Knowledge|Sociology of Knowledge]]
 - **Modern Tech/Tools**: IBM AI Fairness 360, Google What-If Tool, Fairlearn.
 ---