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

10_Wiki/Topics_GD/Robust-Machine-Learning.md

@@ -2,7 +2,7 @@
 id: AI-ROBUST-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, machine-learning, [[Robustness]], adversarial-attacks, ood-detection, [[Reliability]], [[Trustworthy-AI]]]
+tags: [ai, machine-learning, [[Robustness|Robustness]], adversarial-attacks, ood-detection, [[Reliability|Reliability]], [[Trustworthy-AI|Trustworthy-AI]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -15,7 +15,7 @@ last_reinforced: 2026-04-26
 - **추출된 패턴:** "Adversarial Defense and Uncertainty Awareness" — 학습 과정에서 의도적으로 어려운 샘플을 주입하여 단련시키고(Adversarial Training), 자신이 모르는 데이터(OOD)에 대해서는 "모른다"고 답할 수 있는 확신도(Confidence)를 관리하는 패턴.
 - **핵심 도전 과제:**
     - **Adversarial Attacks:** 사람 눈에는 보이지 않는 미세한 변조로 모델을 속이는 공격 방어.
-    - **Distribution [[Shift]]:** 학습 데이터와 실제 데이터의 분포가 달라질 때의 성능 하락 방지.
+    - **Distribution [[Shift|Shift]]:** 학습 데이터와 실제 데이터의 분포가 달라질 때의 성능 하락 방지.
     - **Data Corruption:** 데이터 수집 과정의 결측이나 오류에 대한 저항력 확보.
 - **의의:** 자율주행, 의료 진단, 안보 등 작은 오류가 치명적인 결과를 초래하는 '미션 크리티컬' 분야에서 AI가 상용화되기 위한 필수 조건.
 
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 판단 로직 배포 전, 적대적 샘플 테스트와 이상 데이터 탐지 성능을 반드시 검증하여 예외 상황에 대한 강건성을 확보하는 'Robust-First' 정책을 고수함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Trustworthy-AI]], Adversarial-Machine-Learning, OOD-Detection-Techniques, [[Outlier-Detection-Techniques]]
+- [[Trustworthy-AI|Trustworthy-AI]], Adversarial-Machine-Learning, OOD-Detection-Techniques, [[Outlier-Detection-Techniques|Outlier-Detection-Techniques]]
 - **Raw Source:** 10_Wiki/Topics/AI/Robust-Machine-Learning.md