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

10_Wiki/Topics_GD/GRU.md

@@ -2,7 +2,7 @@
 id: RNN-GRU-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, [[Deep-Learning]], rnn, gru, [[LSTM]], [[Sequence-Modeling]]]
+tags: [ai, [[Deep-Learning|Deep-Learning]], rnn, gru, [[LSTM|LSTM]], [[Sequence-Modeling|Sequence-Modeling]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-26
 - **핵심 구조:**
     - **Reset Gate:** 과거의 상태를 얼마나 무시할지 결정 (과거 정보의 선택적 망각).
     - **Update Gate:** 과거의 정보와 현재의 정보를 어떤 비율로 섞어 새로운 상태를 만들지 결정 (LSTM의 Forget/Input 게이트 통합).
-    - **No Cell [[State]]:** LSTM과 달리 별도의 셀 상태 없이 은닉 상태(Hidden State)만으로 정보 전달.
+    - **No Cell [[State|State]]:** LSTM과 달리 별도의 셀 상태 없이 은닉 상태(Hidden State)만으로 정보 전달.
 - **의의:** 데이터셋이 상대적으로 작거나 연산 자원이 제한적인 환경에서 LSTM의 훌륭한 대안이 되며, 언어 모델링 및 시계열 예측에서 널리 활용됨.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 복잡할수록 성능이 좋을 것이라는 편견을 깨고, 구조를 단순화(Less [[Parameter]]s)함으로써 오히려 학습 속도와 일반화 성능을 높일 수 있음을 증명.
+- **과거 데이터와의 충돌:** 복잡할수록 성능이 좋을 것이라는 편견을 깨고, 구조를 단순화(Less [[Parameter|Parameter]]s)함으로써 오히려 학습 속도와 일반화 성능을 높일 수 있음을 증명.
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 단기 대화 이력을 요약하거나 시퀀스 기반의 이상 징후를 감지할 때, 연산 효율성이 높은 GRU 아키텍처를 우선적으로 고려함.
 
 ## 🔗 지식 연결 (Graph)
-- LSTM-[[Long-Short-Term-Memory]], RNN-Foundations, [[Sequence-to-Sequence-Models]], Deep-Learning-Foundations
+- LSTM-[[Long-Short-Term-Memory|Long-Short-Term-Memory]], RNN-Foundations, [[Sequence-to-Sequence-Models|Sequence-to-Sequence-Models]], Deep-Learning-Foundations
 - **Raw Source:** 10_Wiki/Topics/AI/GRU.md