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

10_Wiki/Topics_GD/Parameter-Sharing.md

@@ -2,7 +2,7 @@
 id: DL-PARAM-SHARE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, [[Deep-Learning]], [[Parameter]]-sharing, cnn, rnn, weight-tying, [[Efficiency]]]
+tags: [ai, [[Deep-Learning|Deep-Learning]], [[Parameter|Parameter]]-sharing, cnn, rnn, weight-tying, [[Efficiency|Efficiency]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -17,12 +17,12 @@ last_reinforced: 2026-04-26
     - **CNN (Convolutional Neural Networks):** 하나의 필터(커널)가 이미지 전체를 훑으며 동일한 가중치로 연산. 공간적 불변성 확보.
     - **RNN (Recurrent Neural Networks):** 매 시간 단계(Time step)마다 동일한 전이 행렬을 사용하여 시퀀스 데이터 처리.
     - **Siamese Networks:** 두 개의 입력을 정확히 동일한 가중치를 가진 네트워크에 통과시켜 비교.
-- **의의:** 과적합([[Overfitting]])을 방지하고 메모리 사용량을 절감하며, 데이터의 대칭성이나 반복되는 패턴을 포착하는 데 최적화된 도구.
+- **의의:** 과적합([[Overfitting|Overfitting]])을 방지하고 메모리 사용량을 절감하며, 데이터의 대칭성이나 반복되는 패턴을 포착하는 데 최적화된 도구.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌:** 모든 파라미터가 자유로워야 더 똑똑할 것이라는 초기 직관을 깨고, 오히려 파라미터를 강제적으로 공유했을 때 모델이 데이터의 핵심적인 불변 특징(Invariant features)을 더 잘 배운다는 사실이 딥러닝의 폭발적 성장을 이끌었음.
 - **정책 변화:** Antigravity 프로젝트는 멀티모달 에이전트 설계 시, 서로 다른 입력(이미지, 텍스트)에서 공통된 의미 공간을 추출하기 위해 공유된 가중치 층을 활용하는 임베딩 아키텍처를 적용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Convolutional-Neural-Networks]]-CNN, [[Recurrent-Neural-Networks]]-RNN, [[Overfitting-and-Underfitting]], [[One-Shot-Learning]]
+- [[Convolutional-Neural-Networks|Convolutional-Neural-Networks]]-CNN, [[Recurrent-Neural-Networks|Recurrent-Neural-Networks]]-RNN, [[Overfitting-and-Underfitting|Overfitting-and-Underfitting]], [[One-Shot-Learning|One-Shot-Learning]]
 - **Raw Source:** 10_Wiki/Topics/AI/Parameter-Sharing.md