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

10_Wiki/Topics_GD/Variational Autoencoders (VAE).md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-VVAE-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-VVAE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.98
-tags: [auto-reinforced, vae, generative-modeling, latent-space, [[Deep-Learning]], un[[Supervised-Learning]]]
+tags: [auto-reinforced, vae, generative-modeling, latent-space, [[Deep-Learning|Deep-Learning]], un[[Supervised-Learning|Supervised-Learning]]]
 last_reinforced: 2026-04-20
 ---
 
-# [[Variational Autoencoders (VAE)]]
+# [[Variational Autoencoders (VAE)|Variational Autoencoders (VAE)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "데이터를 구름 속에 가두고 다시 빚기: 현실의 데이터를 압축된 '잠재 공간(Latent Space)'이라는 확률 분포로 변환한 뒤, 그 구름에서 새로운 표본을 샘플링하여 현실에 존재한 적 없는 새로운 데이터를 창조해내는 생성의 정석."
@@ -18,7 +18,7 @@ last_reinforced: 2026-04-20
     *   **Encoder**: 입력 데이터(이미지 등)를 저차원의 '잠재 변수(Latent Variable)' 분포(평균과 분산)로 압축.
     *   **Latent Space**: 데이터를 하나의 점이 아닌 '확률 분포'의 영역으로 표현하여, 그 영역 내의 어떤 점에서도 그럴싸한 데이터가 나오게 함 (연속성 확보).
     *   **Decoder**: 잠재 공간에서 샘플링한 벡터를 다시 원래의 고차원 데이터 형식으로 복원 및 생성.
-2.  **핵심 기법 - Re[[Parameter]]ization Trick**:
+2.  **핵심 기법 - Re[[Parameter|Parameter]]ization Trick**:
     *   샘플링 과정은 미분이 불가능하여 오차 역전파가 안 되는데, 이를 수학적 트릭으로 우회하여 신경망 전체가 학습 가능하게 만듦.
 3.  **용도**:
     *   데이터 증강, 노이즈 제거(Denosing), 이미지 생성, 분자 구조 설계 등.
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
 - **정책 변화(RL Update)**: 현대의 고품질 이미지 생성 정책(Stable Diffusion 등)에서, VAE는 이미지를 효율적인 잠재 공간으로 옮겨 연산 부하를 줄이는 'Latent Diffusion' 정책의 핵심 부품(Encoder/Decoder)으로 재배치되어 제2의 전성기를 누림.
 
 ## 🔗 지식 연결 (Graph)
-- [[Self-Supervised Learning (SSL)]], Foundational Models, [[Straightening]], [[Probability Theory]], [[Style-Transfer]]
+- [[Self-Supervised Learning (SSL)|Self-Supervised Learning (SSL)]], Foundational Models, [[Straightening|Straightening]], [[Probability Theory|Probability Theory]], [[Style-Transfer|Style-Transfer]]
 - **Modern Tech/Tools**: Stable Diffusion VAE, Beta-VAE, PyTorch VAE, Keras Generative.
 ---