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

10_Wiki/Topics_GD/Markov-Decision-Process-MDP.md

@@ -2,7 +2,7 @@
 id: RL-MDP-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, [[Reinforcement-Learning]], mdp, decision-making, [[Bellman-Equation]], [[Optimization]]]
+tags: [ai, [[Reinforcement-Learning|Reinforcement-Learning]], mdp, decision-making, [[Bellman-Equation|Bellman-Equation]], [[Optimization|Optimization]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-26
 ## 📖 구조화된 지식 (Synthesized Content)
 - **추출된 패턴:** "Sequential Decision Modeling" — 미래의 결과가 오직 현재의 상태와 선택에만 의존한다는 마르코프 성질(Markov Property)을 바탕으로, 매 순간의 선택이 가져올 장기적인 이득을 계산하고 최적화하는 동적 프로그래밍 패턴.
 - **5대 구성 요소 (S, A, P, R, $\gamma$):**
-    - **[[State]] (S):** 에이전트가 관찰하는 환경의 상태.
+    - **[[State|State]] (S):** 에이전트가 관찰하는 환경의 상태.
     - **Action (A):** 에이전트가 할 수 있는 행동의 집합.
     - **Transition Probability (P):** 특정 행동 시 다음 상태로 넘어갈 확률.
     - **Reward (R):** 행동의 결과로 받는 즉각적인 피드백.
@@ -22,9 +22,9 @@ last_reinforced: 2026-04-26
 - **의의:** 강화학습 알고리즘(Q-Learning, Policy Gradient 등)이 무엇을 목표로 학습해야 하는지 정의하는 이론적 토대.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌:** 모든 환경이 MDP로 완벽히 설명 가능하다는 믿음에서 벗어나, 관측이 불완전한 현실 세계를 반영한 [[POMDP]](Partially Observable MDP) 등 더 복잡한 모델로의 확장이 필수적이 됨.
+- **과거 데이터와의 충돌:** 모든 환경이 MDP로 완벽히 설명 가능하다는 믿음에서 벗어나, 관측이 불완전한 현실 세계를 반영한 [[POMDP|POMDP]](Partially Observable MDP) 등 더 복잡한 모델로의 확장이 필수적이 됨.
 - **정책 변화:** Antigravity 에이전트의 자율적 문제 해결 로직은 현재 상황을 MDP 상태로 정의하고, 각 도구 사용(Action)이 가져올 지식 강화 결과(Reward)를 예측하여 최적의 경로를 탐색함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Reinforcement-Learning]], [[Markov-Chain-Monte-Carlo]], Expected-Utility-Theory, [[Bellman-Equation]]
+- [[Reinforcement-Learning|Reinforcement-Learning]], [[Markov-Chain-Monte-Carlo|Markov-Chain-Monte-Carlo]], Expected-Utility-Theory, [[Bellman-Equation|Bellman-Equation]]
 - **Raw Source:** 10_Wiki/Topics/AI/Markov-Decision-Process-MDP.md