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

10_Wiki/Topics_GD/Pruning-Techniques.md

@@ -2,7 +2,7 @@
 id: AI-OPT-PRUNE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, [[Deep-Learning]], pruning, [[Model-Compression]], [[Optimization]], inference-speedup, [[Efficiency]]]
+tags: [ai, [[Deep-Learning|Deep-Learning]], pruning, [[Model-Compression|Model-Compression]], [[Optimization|Optimization]], inference-speedup, [[Efficiency|Efficiency]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "모델의 지능을 훼손하지 않는 선에서 잉여로운 연결(Weights)을 과감히 도려내어, 가볍고 날렵한 '실전용 지능'으로 재탄생시켜라" — 신경망에서 출력에 미치는 영향이 적은 파라미터를 제거함으로써 성능 손실을 최소화하면서 모델의 크기와 연산량을 줄이는 모델 압축 기술.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Importance-based Sparsification and [[Fine-tuning]]" — 가중치의 크기(Magnitude)나 기울기(Gradient) 정보를 기준으로 기여도가 낮은 파라미터를 0으로 만들거나(Masking) 아예 제거하고, 남은 파라미터들을 재학습시켜 성능을 복구하는 패턴.
+- **추출된 패턴:** "Importance-based Sparsification and [[Fine-tuning|Fine-tuning]]" — 가중치의 크기(Magnitude)나 기울기(Gradient) 정보를 기준으로 기여도가 낮은 파라미터를 0으로 만들거나(Masking) 아예 제거하고, 남은 파라미터들을 재학습시켜 성능을 복구하는 패턴.
 - **주요 분류:**
     - **Unstructured Pruning:** 가중치 행렬 내 개별 요소를 무작위로 제거 (높은 압축률, 하드웨어 최적화 어려움).
     - **Structured Pruning:** 필터, 채널, 혹은 레이어 전체를 통째로 제거 (연산 속도 향상에 직결).
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 로컬 실행 모듈 배포 시, 모델 크기를 1/4 이하로 줄이면서도 정확도를 유지하는 구조적 가지치기 파이프라인을 적용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Quantization-Foundations]], Knowledge-[[Distillation]]-Foundations, Model-Compression-and-Deployment, [[Optimization-in-AI]]
+- [[Quantization-Foundations|Quantization-Foundations]], Knowledge-[[Distillation|Distillation]]-Foundations, Model-Compression-and-Deployment, [[Optimization-in-AI|Optimization-in-AI]]
 - **Raw Source:** 10_Wiki/Topics/AI/Pruning-Techniques.md