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

10_Wiki/Topics_GD/Regularization-Strategies.md

@@ -2,7 +2,7 @@
 id: AI-OPT-REG-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, [[Deep-Learning]], [[Regularization]], [[Overfitting]], l1-lasso, l2-ridge, dropout, early-stopping]
+tags: [ai, [[Deep-Learning|Deep-Learning]], [[Regularization|Regularization]], [[Overfitting|Overfitting]], l1-lasso, l2-ridge, dropout, early-stopping]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "모델의 지능이 특정 데이터에만 매몰되지 않도록 가중치에 '벌금'을 매기거나 구조적 '결핍'을 부여하여, 어떤 상황에서도 유연하게 대응하는 일반화 능력을 확보하라" — 학습 오차를 줄이는 것과 모델의 복잡도를 낮추는 것 사이의 균형을 맞추어 과적합(Overfitting)을 방지하는 기술적 수단들.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Complexity Penalty and Stochastic Variation" — 손실 함수에 모델 크기에 비례하는 항을 추가하거나(L1/L2), 학습 시 무작위성을 주입하여(Dropout) 특정 경로에만 의존하지 않게 함으로써 모델의 강건성([[Robustness]])을 높이는 패턴.
+- **추출된 패턴:** "Complexity Penalty and Stochastic Variation" — 손실 함수에 모델 크기에 비례하는 항을 추가하거나(L1/L2), 학습 시 무작위성을 주입하여(Dropout) 특정 경로에만 의존하지 않게 함으로써 모델의 강건성([[Robustness|Robustness]])을 높이는 패턴.
 - **주요 전략:**
     - **L1 (Lasso):** 중요하지 않은 가중치를 0으로 만들어 변수 선택 효과 제공.
     - **L2 (Ridge):** 가중치들을 전반적으로 작게 유지하여 급격한 변화 억제.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 미세 조정 시, 소량의 데이터로도 범용적인 성능을 유지하기 위해 가중치 감쇠(Weight Decay)와 조기 종료 프로토콜을 필수적으로 가동함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Overfitting-and-Underfitting]], [[Optimization-in-AI]], [[Normalization-Strategies]], [[Performance-Metrics-in-AI]]
+- [[Overfitting-and-Underfitting|Overfitting-and-Underfitting]], [[Optimization-in-AI|Optimization-in-AI]], [[Normalization-Strategies|Normalization-Strategies]], [[Performance-Metrics-in-AI|Performance-Metrics-in-AI]]
 - **Raw Source:** 10_Wiki/Topics/AI/Regularization-Strategies.md