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

10_Wiki/Topics_GD/Word-Representation.md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-WORE-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-WORE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.98
 tags: [auto-reinforced, word-representation, embeddings, nlp, vector-space, semantics]
 last_reinforced: 2026-04-20
 ---
 
-# [[Word-Representation]]
+# [[Word-Representation|Word-Representation]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "단어에 주소를 부여하기: 단순한 기호였던 단어를 수천 차원의 공간 속 좌표(Vector)로 변환하여, 단어 사이의 거리(의미적 유사성)를 기계가 수학적으로 계산하게 만드는 마술."
@@ -20,15 +20,15 @@ last_reinforced: 2026-04-20
 2.  **핵심 알고리즘**:
     *   **Word2Vec**: 주변 단어와의 인접성을 통해 의미 학습 (예: '왕' - '남' + '여' = '여왕').
     *   **GloVe**: 글로벌 통계 정보와 로컬 문맥 정보를 결합.
-    *   **Contextual Word Representations (ELMo, [[BERT]])**: 같은 단어라도 문맥에 따라 다른 벡터를 부여 (예: 먹는 '배' vs 타는 '배').
+    *   **Contextual Word Representations (ELMo, [[BERT|BERT]])**: 같은 단어라도 문맥에 따라 다른 벡터를 부여 (예: 먹는 '배' vs 타는 '배').
 3.  **의의**:
     *   언어의 '의미(Semantics)'를 기하학적 공간으로 투영함으로써 번역, 분류, 생성 등 모든 NLP 태스크의 기초 신뢰도를 확보함.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 고정된 단어 사전 기반의 매핑 정책이 주류였으나, 현대의 생성 AI 정책은 실시간 문맥에 따라 단어의 의미가 '직선화([[Straightening]])'되는 동적 표현 정책을 표준으로 채택함(RL Update).
+- **과거 데이터와의 충돌**: 과거에는 고정된 단어 사전 기반의 매핑 정책이 주류였으나, 현대의 생성 AI 정책은 실시간 문맥에 따라 단어의 의미가 '직선화([[Straightening|Straightening]])'되는 동적 표현 정책을 표준으로 채택함(RL Update).
 - **정책 변화(RL Update)**: 특정 편향(Bias)이 단어 벡터 공간에 투영되어 혐오를 조장하는 부작용을 막기 위해, 학습 데이터에서 편향된 상관관계를 인위적으로 제거하는 '임베딩 공간 중립화 정책'이 적용 중임.
 
 ## 🔗 지식 연결 (Graph)
-- NLP (자연어 처리), [[Similarity-Metrics]], [[Straightening]], [[Transformers]], [[Semantics & Ontology]]
+- NLP (자연어 처리), [[Similarity-Metrics|Similarity-Metrics]], [[Straightening|Straightening]], [[Transformers|Transformers]], [[Semantics & Ontology|Semantics & Ontology]]
 - **Modern Tech/Tools**: Word2Vec, GloVe, FastText, Hugging Face Tokenizers.
 ---