chore(wiki): reinforce knowledge batch #11-#12 (240 docs milestone)

2026-04-26 15:31:26 +09:00
parent c612160a13
commit b08b092ec8
71 changed files with 2075 additions and 106 deletions
@@ -0,0 +1,30 @@
+---
+id: FE-ARCH-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [frontend, software-architecture, web-development, react, state-management]
+last_reinforced: 2026-04-26
+---
+
+# [[Frontend Architecture (프론트엔드 아키텍처)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "복잡한 UI 상태를 예측 가능한 흐름으로 관리하고, 사용자 경험(UX)을 기술적 구조로 구현하라" — 단순한 화면 구성을 넘어 컴포넌트 설계, 상태 관리 전략, 렌더링 성능 최적화, 그리고 에이전트 인터랙션을 아우르는 현대 웹 기술의 설계도.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** UI를 독립적인 컴포넌트로 분리하고, 단방향 데이터 흐름(Unidirectional Data Flow)을 통해 상태 변화에 따른 부수 효과를 제어하는 선언적 UI 아키텍처 패턴.
+- **핵심 구성 요소:**
+    - **Component-Driven Development (CDD):** 재사용 가능한 원자적 단위의 UI 설계.
+    - **State Management:** 전역 상태(Redux, Zustand)와 로컬 상태의 균형.
+    - **Rendering Strategies:** CSR, SSR, SSG, ISR 등 비즈니스 요구사항에 맞는 렌더링 방식 선택.
+    - **Micro Frontends:** 대규모 애플리케이션을 독립적으로 배포 가능한 작은 단위로 분리.
+    - **AI-Driven UI:** 에이전트의 응답에 따라 실시간으로 변화하는 동적 인터페이스(Generative UI).
+- **의의:** 복잡해지는 웹 애플리케이션의 유지보수성을 확보하고, 초저지연 인터랙션을 보장함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 정적 페이지를 보여주던 방식에서, 수만 개의 상태를 실시간으로 동기화하고 에이전트와 대화하는 '지능형 애플리케이션 플랫폼'으로 진화.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 지식 탐색 결과와 지식 지도를 시각화하기 위해 최신 Next.js 기반의 서버 컴포넌트 아키텍처를 표준으로 채택함.
+
+## 🔗 지식 연결 (Graph)
+- [[System-Design-for-AI-Scale]], [[UX-Design]], [[Context-Aware-Computing]], [[Domain-Driven-Design-DDD]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Frontend-Architecture.md]]
@@ -1,27 +1,29 @@
 ---
-id: P-REINFORCE-AI-FUNCTIONAL
+id: FP-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.98
-tags: [Programming, FunctionalProgramming, Declarative, Immutability]
-last_reinforced: 2026-04-20
+confidence_score: 1.0
+tags: [programming, functional-programming, immutability, pure-functions, software-engineering]
+last_reinforced: 2026-04-26
 ---

-# [[Functional-Programming]] (함수형 프로그래밍)
+# [[Functional Programming (함수형 프로그래밍)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "상태를 바꾸지 말고, 명확한 수식을 선언하라." 프로그램의 실행보다 데이터의 변환(Transformation)에 집중하며, 부작용(Side Effect)이 없는 순수 함수를 조합하여 복잡성을 관리하는 패러다임이다.
+> "데이터의 상태 변화를 피하고, 순수 함수들의 조합으로 견고한 로직을 조립하라" — 계산을 수학적 함수의 평가로 취급하고 상태 변경 및 가변 데이터를 멀리하여, 병렬 처리에 유리하고 버그가 적은 소프트웨어를 만드는 프로그래밍 패러다임.

 ## 📖 구조화된 지식 (Synthesized Content)
- **Core Concepts**:
-    - **Pure Functions**: 동일한 입력에 언제나 동일한 출력. 외부 상태를 건드리지 않음.
-    - **Immutability**: 데이터는 한 번 생성되면 변하지 않음. 변경이 필요하면 복사본 생성.
-    - **First-class Citizens**: 함수를 변수에 담고, 인자로 전달하고, 결과로 리턴할 수 있음.
-    - **Declarative**: '어떻게(How)'가 아니라 '무엇(What)'을 하는지 명시함.
- **Benefits**: 테스트와 디버깅이 압도적으로 쉽고, 병렬 처리에 매우 유리하다.
+- **추출된 패턴:** "어떻게(How)" 연산할지보다 "무엇(What)"인지 정의하고, 입력을 넣으면 항상 동일한 출력이 나오는 불변성(Immutability)과 참조 투명성(Referential Transparency)을 유지하는 선언적 코딩 패턴.
+- **핵심 개념:**
+    - **Pure Functions:** 외부 상태를 참조하거나 변경하지 않는 함수. 테스트와 디버깅이 매우 쉬움.
+    - **First-class Citizens:** 함수를 변수에 담고, 인자로 넘기고, 결과로 반환할 수 있음.
+    - **Higher-order Functions:** 함수를 파라미터로 받거나 결과로 반환하는 함수 (map, filter, reduce 등).
+    - **Immutability:** 한 번 생성된 데이터는 수정하지 않고 항상 새로운 데이터를 생성하여 전달.
+- **의의:** 동시성(Concurrency) 문제가 발생하는 멀티코어 환경과 대규모 분산 시스템에서 데이터 일관성을 유지하는 가장 강력한 무기.

-## ⚠️ 모순 및 업데이트 (RL Update)
- 순수 함수형은 현실 세계의 '상태 변화'나 'I/O'를 처리하기가 매우 까다롭다(모나드 등의 난해한 개념 필요). 따라서 현대의 개발 주류는 객체 지향의 구조적 장점과 함수형의 논리적 안정성을 결합한 **'멀티 패러다임(Multi-paradigm)'** 방식으로 정착하고 있다.
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 객체지향(OOP)이 유일한 정답이던 시대를 지나, 데이터 스트림 처리와 비동기 프로그래밍이 중요해지면서 함수형 패러다임이 모든 주류 언어(JS, Java, Python 등)에 깊숙이 침투함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 사고 흐름(Chain of Thought)을 처리하는 파이프라인 설계 시, 각 단계를 순수 함수로 정의하여 재현 가능성과 안정성을 확보함.

 ## 🔗 지식 연결 (Graph)
- Related: [[JavaScript-Modern-Patterns]] , [[Reactive-Programming]]
- Key Concept: [[Referential-Transparency]]
+- [[Determinism-in-Computing]], [[Distributed-Computing]], [[Software-Architecture-Patterns]], [[Parallel-Computing]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Functional-Programming.md]]
@@ -0,0 +1,28 @@
+---
+id: FUZZY-LOGIC-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, fuzzy-logic, logic, control-theory, robotics]
+last_reinforced: 2026-04-26
+---
+
+# [[Fuzzy Logic (퍼지 논리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "참과 거짓 사이의 무수히 많은 회색 지대를 수학적으로 수용하여 인간다운 판단력을 구현하라" — 0(거짓)과 1(참) 사이의 소수점 값을 허용하는 소속 함수(Membership Function)를 통해, 현실 세계의 모호한 경계와 불확실성을 다루는 논리 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "조금", "적당히", "매우"와 같은 언어적 변수를 수치 범위로 변환(Fuzzification)하고, 이를 바탕으로 규칙 기반 추론을 수행한 뒤 다시 구체적인 행동 값으로 변환(Defuzzification)하는 제어 패턴.
+- **주요 특징:**
+    - **Membership Function:** 어떤 집단에 속하는 정도(Degree)를 정의 (예: 온도 25도는 '적당함'에 0.8, '더움'에 0.2 소속).
+    - **Fuzzy Rules:** "만약 온도가 '조금 더우면', 냉각 팬의 속도를 '적당히 빠르게' 하라"와 같은 직관적 규칙 적용 가능.
+    - **Robustness:** 입력값의 미세한 변화에도 출력이 급격히 변하지 않고 부드럽게 반응함.
+- **의의:** 정교한 수학적 모델링이 어려운 복잡한 시스템(가전제품 제어, 차량 브레이크 시스템, 게임 캐릭터의 성격 표현 등)에서 효율적인 해법 제공.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 엄격한 수식만이 정답이라 믿던 고전적 제어론에서 벗어나, 인간의 경험적 지식을 시스템에 녹여낼 수 있는 유연한 도구로 자리매김.
+- **정책 변화:** Skybound 프로젝트의 적 기체 AI는 플레이어와의 거리에 따라 '도망', '견제', '돌격' 상태를 퍼지 논리로 부드럽게 전환하여, 끊기지 않는 자연스러운 기동을 보여줌.
+
+## 🔗 지식 연결 (Graph)
+- [[Control-Theory]], [[Expert-Systems]], [[Artificial-Life]], [[Decision-Making]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Fuzzy-Logic.md]]
@@ -0,0 +1,31 @@
+---
+id: GSTACK-GUIDE-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [antigravity, g-stack, integration, architecture, project-standard]
+last_reinforced: 2026-04-26
+---
+
+# [[G-Stack Integration Guide (G-Stack 통합 가이드)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "포괄적인 데이터 수집과 구체적인 구현(Concreteness)을 통해 에이전트의 지능을 실제 가치로 치환하라" — Antigravity 프로젝트의 핵심 운영 체계인 G-Stack의 원칙을 모든 레포지토리와 에이전트 스킬에 이식하기 위한 통합 기술 가이드라인.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "추상적 추론보다는 구체적 데이터와 코드"를 우선시하고, 시스템의 모든 로그와 지식을 자산화하여 에이전트의 피드백 루프를 완성하는 정렬(Alignment) 패턴.
+- **3대 핵심 통합 원칙:**
+    - **Boil the Lake (포괄적 처리):** 특정 문제 해결을 위해 파편화된 데이터가 아닌, 가용 가능한 모든 지식(Wiki, Raw, Git)을 인덱싱하고 연결함.
+    - **Concreteness (구체성):** 모호한 답변 대신 실행 가능한 코드, 검증된 수치, 직접적인 파일 링크를 제공함.
+    - **Product Thinking (제품적 사고):** 기술적 구현이 사용자에게 어떤 도구적 가치를 주는지 항상 자문하고 UI/UX에 반영함.
+- **통합 체크리스트:**
+    - 모든 에이전트 출력물에 `Rationale`과 `Confidence Score`가 포함되었는가?
+    - 새로운 지식 생성 시 `10_Wiki`의 카테고리 구조를 준수했는가?
+    - `00_Raw` 데이터 처리 시 `Datacollector`의 파이프라인을 거쳤는가?
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 초기 Antigravity 프로젝트는 단순한 챗봇의 나열이었으나, G-Stack 통합을 통해 지식 기반의 자율적 문제 해결 시스템으로 진화함.
+- **정책 변화:** 모든 에이전트는 작업 시작 전 본 가이드를 참조하여 자신의 작업 범위와 G-Stack 원칙 준수 여부를 자가 점검해야 함.
+
+## 🔗 지식 연결 (Graph)
+- [[GStack-Core-Principles]], [[Antigravity-Project-Overview]], [[Knowledge-Gardening-Protocol]], [[Agent-Interaction-Contracts]]
+- **Raw Source:** [[10_Wiki/Topics/AI/G-Stack-Integration-Guide.md]]
@@ -1,32 +1,28 @@
 ---
-id: P-REINFORCE-AUTO-GANN-001
+id: GAN-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.98
-tags: [auto-reinforced, gan, generative-adversarial-networks, deep-learning, unsupervised-learning, ian-goodfellow]
-last_reinforced: 2026-04-20
+confidence_score: 1.0
+tags: [ai, generative-model, gan, neural-networks, image-synthesis]
+last_reinforced: 2026-04-26
 ---

-# [[GAN]]
+# [[GAN (Generative Adversarial Networks, 생성적 적대 신경망)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "위조지폐범과 경찰의 지독한 추격전: 속이려는 자(Generator)와 잡으려는 자(Discriminator)를 서로 경쟁시켜, 인간이 진짜와 구별할 수 없을 만큼 정교한 가짜 이미지를 스스로 만들어내게 하는 혁신적인 생성 모델."
+> "위조지폐범과 경찰의 치열한 술래잡기를 통해, 데이터의 본질을 완벽하게 복제하라" — 생성자(Generator)와 판별자(Discriminator)라는 두 신경망이 서로를 속이고 간파하며 함께 성장하여, 실제와 구분할 수 없는 가상 데이터를 생성하는 아키텍처.

 ## 📖 구조화된 지식 (Synthesized Content)
-생성적 적대 신경망(GAN, Generative-Adversarial-Networks)은 두 개의 신경망이 서로 대결하며 학습하는 프레임워크입니다. (이안 굿펠로우 제안)
-
-1.  **두 핵심 구조**:
-    *   **Generator (생성자)**: 무작위 노이즈로부터 진짜 같은 데이터를 만듦 (위조지폐범).
-    *   **Discriminator (판별자)**: 입력받은 데이터가 진짜(학습 데이터)인지 가짜(생성물)인지 판별 (경찰).
-2.  **학습 결과**:
-    *   판별자가 더 이상 진짜와 가짜를 구분하지 못할 때(확률 0.5) 최적의 생성 능력을 갖게 됨. (Unsupervised-Learning의 정수)
-3.  **활용**:
-    *   딥페이크, 고해상도 이미지 복원, 게임 그래픽 향상, 데이터 증강.
+- **추출된 패턴:** "경쟁을 통한 진화"라는 동역학적 관점을 학습 프로세스에 도입하여, 명시적인 손실 함수 설계 없이도 복잡한 데이터 분포를 근사하는 적대적 학습 패턴.
+- **작동 원리:**
+    - **Generator:** 무작위 노이즈를 입력받아 실제 데이터와 유사한 가짜 샘플 생성.
+    - **Discriminator:** 입력된 샘플이 실제 데이터인지 생성자가 만든 가짜인지 판별.
+    - **Adversarial Loss:** 생성자는 판별자를 속이려 하고, 판별자는 속지 않으려 하는 제로섬 게임 과정을 통해 모델 고도화.
+- **의의:** 이미지 생성, 스타일 변환, 텍스트-이미지 합성 등 창의적 AI 영역을 개척했으며, 딥페이크 기술의 기술적 토대가 됨.

 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 학습이 극도로 불안정하고 '모드 붕괴(Mode Collapse, 똑같은 그림만 그리는 현상)' 정책에 시달렸으나, 현대 정책은 WGAN, StyleGAN 등 손실 함수와 아키텍처 개선 정책을 통해 이를 정복함(RL Update).
- **정책 변화(RL Update)**: 최근에는 확산 모델(Diffusion-Models) 정책에 밀려 생성 주도권 정책을 잃었으나, 생성 속도가 압도적으로 빠르다는 장점을 살려 실시간 그래픽 렌더링이나 가벼운 생성 서비스 정책에서 여전히 핵심 기술로 사용됨.
+- **과거 데이터와의 충돌:** 학습이 매우 불안정하고 모드 붕괴(Mode Collapse) 문제가 고질적이었으나, WGAN, StyleGAN 등 후속 모델을 통해 안정성과 품질을 비약적으로 향상시킴.
+- **정책 변화:** Antigravity 프로젝트는 가상 자산(아이콘, 텍스트 배경 등)의 스타일 일관성을 유지하기 위해 GAN 기반의 스타일 전이 기술을 보조적으로 활용함.

 ## 🔗 지식 연결 (Graph)
- [[Gen-AI]], [[Diffusion-Models]], [[Game-Theory]], [[CV_Synthesis]], [[Unsupervised-Learning]]
- **Modern Tech/Tools**: StyleGAN3, Pix2Pix, CycleGAN, NVIDIA CANVAS.
---
+- [[Generative-AI-Impact]], [[Deepfake-Technology]], [[Diffusion-Models]], [[Variational-Autoencoders-VAE]]
+- **Raw Source:** [[10_Wiki/Topics/AI/GAN.md]]
@@ -0,0 +1,29 @@
+---
+id: GNN-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, gnn, graph-neural-networks, relational-data]
+last_reinforced: 2026-04-26
+---
+
+# [[GNN (Graph Neural Networks, 그래프 신경망)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "개별 데이터가 아닌, 데이터들 사이의 관계(Edge)와 연결망 속에 숨겨진 맥락을 학습하라" — 그래프 구조를 직접 입력으로 받아 노드 간의 메시지 전달(Message Passing)을 통해 정점의 특징을 업데이트하고, 복잡한 네트워크 패턴을 추론하는 신경망 아키텍처.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 이웃 노드들로부터 정보를 수집(Aggregation)하고 자신의 상태를 갱신(Update)하는 과정을 반복하여, 그래프 전체의 구조적 특징을 로컬 노드에 응축시키는 관계 기반 학습 패턴.
+- **주요 태스크:**
+    - **Node Classification:** 특정 노드의 카테고리나 특성 예측.
+    - **Link Prediction:** 두 노드 사이에 새로운 관계가 생길지 예측 (추천 시스템의 핵심).
+    - **Graph Classification:** 분자 구조의 독성 여부 등 그래프 전체의 특성 판별.
+- **대표적 모델:** GCN (Graph Convolutional Networks), GraphSAGE, GAT (Graph Attention Networks).
+- **의의:** 텍스트나 이미지로 표현하기 힘든 지식 그래프, 소셜 네트워크, 단백질 구조 등 복잡계 데이터를 이해하는 유일한 딥러닝 도구.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 그래프를 억지로 벡터화(Node2Vec 등)하여 처리하던 방식에서, 그래프 구조 자체를 신경망 내부로 수용하는 엔드-투-엔드 학습 방식으로 진화.
+- **정책 변화:** Antigravity 프로젝트는 `20_Meta/Graph.json`에 정의된 지식 노드들의 연관성을 정밀하게 분석하기 위해 GAT 아키텍처를 사용하여, 특정 문서가 다른 지식 영역에 미치는 영향력을 수치화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Geometric-Deep-Learning]], [[Graph-Theory]], [[Knowledge-Graph-Foundations]], [[Multi-Agent-Systems-MAS]]
+- **Raw Source:** [[10_Wiki/Topics/AI/GNN.md]]
@@ -0,0 +1,28 @@
+---
+id: GPT-ARCH-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, nlp, gpt, transformer, deep-learning, generative-ai]
+last_reinforced: 2026-04-26
+---
+
+# [[GPT Architecture Foundations (GPT 아키텍처 기초)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "방대한 텍스트의 바다를 스스로 학습하여, 다음에 올 단어를 예측하는 것만으로 우주적 지능에 도달하라" — 트랜스포머의 디코더 블록을 층층이 쌓아 올려, 이전 문맥을 바탕으로 가장 확률 높은 다음 토큰을 생성해 나가는 자기 회귀적(Autoregressive) 언어 모델의 표준.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Next Token Prediction"이라는 단순한 목표 함수를 대규모 데이터와 파라미터에 적용했을 때, 추론과 창의성이라는 상위 인지 능력이 창발(Emergence)하는 스케일링 법칙 패턴.
+- **핵심 구성:**
+    - **Decoder-only Transformer:** 인코더 없이 마스킹된 셀프 어텐션(Masked Self-Attention)만을 사용하여 미래 정보를 차단하고 과거 문맥에만 집중.
+    - **Causal Self-Attention:** 현재 토큰이 이전 토큰들과의 관계만을 계산하도록 강제.
+    - **Pre-training & Fine-tuning:** 방대한 비지도 학습으로 지식을 쌓고, 특정 태스크나 지시 이행(Instruction Following)을 위해 미세 조정.
+- **의의:** 사람이 규칙을 정의하지 않아도 데이터 자체에서 언어의 문법, 논리, 심지어 코딩 능력까지 스스로 습득함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** RNN/LSTM의 순차적 처리 한계를 깨고, 병렬 연산이 가능한 어텐션 메커니즘을 통해 모델 규모의 대형화를 실현함.
+- **정책 변화:** Antigravity 프로젝트의 핵심 엔진(Local/Cloud Brain)은 GPT 아키텍처 기반의 모델들을 사용하며, 프로젝트 특화 지식(Wiki)을 RAG나 Fine-tuning을 통해 통합함.
+
+## 🔗 지식 연결 (Graph)
+- [[Transformer-Architecture-Foundations]], [[LLM]], [[Generative-AI-Impact]], [[Attention-Mechanism]]
+- **Raw Source:** [[10_Wiki/Topics/AI/GPT-Architecture-Foundations.md]]
@@ -0,0 +1,29 @@
+---
+id: HW-GPU-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [hardware, gpu, cuda, parallel-computing, ai-infrastructure]
+last_reinforced: 2026-04-26
+---
+
+# [[GPU Architecture for AI (AI를 위한 GPU 아키텍처)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "복잡한 소수의 연산 대신, 수만 개의 단순한 행렬 곱셈을 동시에 몰아치듯 처리하라" — 대규모 병렬 처리에 최적화된 하드웨어 구조로, 특히 딥러닝의 핵심인 행렬 연산을 가속화하기 위해 진화한 현대 AI의 심장.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 소수의 강력한 코어를 가진 CPU와 달리, 수천 개의 산술 논리 연산 장치(ALU)를 배치하여 데이터 병렬성(Data Parallelism)을 극대화하는 하드웨어 집약 패턴.
+- **핵심 구성 요소:**
+    - **CUDA Cores:** 범용적인 부동 소수점 연산을 수행하는 최소 단위.
+    - **Tensor Cores:** AI 학습 및 추론에 특화된 고속 행렬 연산 가속기. FP16/BF16 등 혼합 정밀도 연산 지원.
+    - **VRAM (High Bandwidth Memory):** 거대 모델의 파라미터를 저장하고 초고속으로 전송하는 전용 메모리 공간.
+    - **Memory Bandwidth:** 연산 속도만큼이나 중요한 데이터 전송 통로의 너비.
+- **의의:** 무어의 법칙을 넘어 AI 연산 성능을 기하급수적으로 끌어올려 초거대 언어 모델(LLM) 시대를 실현함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 그래픽 렌더링 도구에서 범용 연산 도구(GPGPU)로, 이제는 AI 전용 가속 시스템으로 정체성 진화. NVIDIA의 H100 등 최신 아키텍처는 트랜스포머 연산 가속을 위한 전용 엔진을 포함함.
+- **정책 변화:** Antigravity 프로젝트는 로컬 브레인 구동 시 가용 가능한 GPU 자원을 우선적으로 감지하며, VRAM 용량에 맞춰 모델의 양자화(Quantization) 수준을 동적으로 결정함.
+
+## 🔗 지식 연결 (Graph)
+- [[Parallel-Computing]], [[Distributed-Computing]], [[Deep-Learning-Foundations]], [[LLM]]
+- **Raw Source:** [[10_Wiki/Topics/AI/GPU-Architecture.md]]
@@ -0,0 +1,29 @@
+---
+id: HW-CUDA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [hardware, gpu, cuda, parallel-computing, c-cpp, ai-acceleration]
+last_reinforced: 2026-04-26
+---
+
+# [[GPU Programming with CUDA (CUDA를 이용한 GPU 프로그래밍)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "하드웨어의 수천 개 코어를 지휘하는 지휘자가 되어, 데이터의 파도를 병렬 연산의 폭풍으로 바꿔라" — NVIDIA의 하드웨어를 활용하여 일반적인 프로그래밍 언어(C/C++)로 고도의 병렬 연산을 수행하게 하는 컴퓨팅 플랫폼이자 프로그래밍 모델.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Single Instruction, Multiple Threads (SIMT)" — 하나의 명령을 수많은 데이터에 동시에 적용하기 위해 작업을 그리드(Grid), 블록(Block), 스레드(Thread) 단위로 쪼개어 GPU 하드웨어에 매핑하는 병렬 코딩 패턴.
+- **핵심 개념:**
+    - **Kernel:** GPU에서 병렬로 실행되는 함수 단위.
+    - **Memory Hierarchy:** Host(CPU)와 Device(GPU) 간의 메모리 복사, 그리고 Global, Shared, Local 메모리의 전략적 활용.
+    - **Parallelism Optimization:** 스레드 간의 데이터 동기화와 메모리 접근 패턴(Coalescing) 최적화.
+    - **Libraries:** cuBLAS, cuDNN 등 딥러닝 연산에 최적화된 저수준 라이브러리 활용.
+- **의의:** 딥러닝 프레임워크(PyTorch, TensorFlow)의 밑바닥을 지탱하며, AI 연구자가 하드웨어의 성능을 100% 이끌어낼 수 있게 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 그래픽 연산 언어(Shader)를 빌려 쓰던 불편함에서 벗어나, 표준 프로그래밍 언어와 유사한 문법으로 범용 GPU 연산(GPGPU)을 수행하는 시대로 진화.
+- **정책 변화:** Antigravity 프로젝트는 대규모 벡터 연산이나 커스텀 신경망 레이어 최적화가 필요할 때, CUDA 커널을 직접 작성하거나 최적화된 하드웨어 가속 라이브러리를 호출하여 성능 병목을 해결함.
+
+## 🔗 지식 연결 (Graph)
+- [[GPU-Architecture-for-AI]], [[Parallel-Computing]], [[Distributed-Computing]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/GPU-Programming-with-CUDA.md]]
@@ -0,0 +1,28 @@
+---
+id: RNN-GRU-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, rnn, gru, lstm, sequence-modeling]
+last_reinforced: 2026-04-26
+---
+
+# [[GRU (Gated Recurrent Units, 게이트 순환 유닛)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "복잡한 기억 장치를 덜어내고, 핵심적인 정보의 업데이트와 망각에만 집중하여 학습의 효율을 극대화하라" — LSTM의 장점은 계승하면서도 구조를 단순화하여 연산량을 줄이고 기울기 소실 문제를 극복한 현대적인 순환 신경망(RNN) 변형 모델.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Reset Gate"와 "Update Gate"라는 두 가지 통제 장치를 통해 과거의 정보를 얼마나 유지하고 새로운 정보를 얼마나 받아들일지 결정하는 효율적인 시퀀스 처리 패턴.
+- **핵심 구조:**
+    - **Reset Gate:** 과거의 상태를 얼마나 무시할지 결정 (과거 정보의 선택적 망각).
+    - **Update Gate:** 과거의 정보와 현재의 정보를 어떤 비율로 섞어 새로운 상태를 만들지 결정 (LSTM의 Forget/Input 게이트 통합).
+    - **No Cell State:** LSTM과 달리 별도의 셀 상태 없이 은닉 상태(Hidden State)만으로 정보 전달.
+- **의의:** 데이터셋이 상대적으로 작거나 연산 자원이 제한적인 환경에서 LSTM의 훌륭한 대안이 되며, 언어 모델링 및 시계열 예측에서 널리 활용됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 복잡할수록 성능이 좋을 것이라는 편견을 깨고, 구조를 단순화(Less parameters)함으로써 오히려 학습 속도와 일반화 성능을 높일 수 있음을 증명.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 단기 대화 이력을 요약하거나 시퀀스 기반의 이상 징후를 감지할 때, 연산 효율성이 높은 GRU 아키텍처를 우선적으로 고려함.
+
+## 🔗 지식 연결 (Graph)
+- [[LSTM-Long-Short-Term-Memory]], [[RNN-Foundations]], [[Sequence-to-Sequence-Models]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/GRU.md]]
@@ -0,0 +1,29 @@
+---
+id: GAME-BAL-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [game-dev, game-design, balancing, simulation, skybound]
+last_reinforced: 2026-04-26
+---
+
+# [[Game Balance Modeling (게임 밸런스 모델링)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "수치라는 차가운 뼈대에 재미라는 따뜻한 살을 붙여, 정교한 긴장감의 평형 상태를 설계하라" — 게임 내 모든 수치적 요소(공격력, 체력, 자원 획득량 등)의 상관관계를 수학적으로 정립하여, 특정 전략의 고착화를 방지하고 플레이어에게 지속적인 도전을 제공하는 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "시간 대비 보상"과 "난이도 대비 성취감"의 함수 관계를 정의하고, 시뮬레이션을 통해 이상적인 성장 곡선(Growth Curve)을 도출하는 시스템 설계 패턴.
+- **주요 모델링 기법:**
+    - **Mathematical Balancing:** 엑셀이나 스크립트를 사용하여 레벨별 기대 능력치를 계산.
+    - **Simulation-based Balancing:** AI 에이전트(Auto-player) 수만 회의 대전 시뮬레이션을 돌려 승률 및 밸런스 붕괴 지점 포착.
+    - **Lanchester's Laws:** 전투 상황에서 수적 우위와 화력의 관계를 모델링하여 유닛 능력치 산정.
+    - **Flow Theory Application:** 플레이어의 숙련도 향상에 맞춰 난이도를 비례적으로 상승시켜 몰입 상태(Flow) 유지.
+- **의의:** 운이나 직관이 아닌, 데이터 기반의 의사결정을 통해 게임의 수명을 연장하고 공정한 경쟁 환경을 조성함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 개발자의 감각에 의존하던 밸런싱에서, 이제는 AI 시뮬레이션과 빅데이터 분석을 통해 실시간으로 난이도를 조정하는 동적 밸런싱(DDA) 시대로 진화.
+- **정책 변화:** Skybound 프로젝트는 각 스테이지의 클리어 타임과 플레이어의 사망 위치 데이터를 분석하여, 실시간으로 Swarm의 생성 속도와 적 기체의 명중률을 미세 조정하는 밸런스 시스템을 구축함.
+
+## 🔗 지식 연결 (Graph)
+- [[Simulation-Principles]], [[Game-Theory-in-AI]], [[Reinforcement-Learning]], [[Probability-Theory]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Game-Balance-Modeling.md]]
@@ -0,0 +1,29 @@
+---
+id: GAME-THEORY-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, game-theory, multi-agent-systems, nash-equilibrium, decision-making]
+last_reinforced: 2026-04-26
+---
+
+# [[Game Theory in AI (AI에서의 게임 이론)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "지능적인 행위자들이 서로의 선택을 예측하며 최선의 이익을 찾아가는 전략적 상호작용의 수학적 모델" — 여러 에이전트가 공존하는 환경에서 자신의 이득뿐만 아니라 타인의 반응까지 고려하여 최적의 의사결정을 내리는 원리를 다루는 이론.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 상대방의 전략이 주어졌을 때 누구도 자신의 전략을 바꿀 유인이 없는 상태(Nash Equilibrium)를 지향하거나, 협력과 배신 사이의 균형점을 찾는 전략적 최적화 패턴.
+- **핵심 개념:**
+    - **Nash Equilibrium (나시 균형):** 모든 플레이어가 상대방의 최선에 대응하여 최선의 선택을 하고 있는 정적 상태.
+    - **Zero-sum vs Non-zero-sum:** 한쪽의 이득이 다른 쪽의 손실인 상황과 상생이 가능한 상황의 구분.
+    - **Minimax Algorithm:** 최악의 경우에 발생할 손실을 최소화하는 전통적인 게임 트리 탐색 기법.
+    - **Multi-Agent Systems (MAS):** 여러 AI 에이전트가 협력하거나 경쟁하며 복잡한 문제를 해결하는 구조.
+- **의의:** 강화학습(특히 Multi-agent RL)과 경제 시스템 모델링, 자율주행차 간의 통행 협상 등 현대 AI의 사회적 상호작용 설계의 근간.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 고정된 규칙의 게임 분석에서 벗어나, 에이전트가 상호작용을 통해 스스로 전략을 진화시키는 동적 시스템 분석으로 진화.
+- **정책 변화:** Antigravity 프로젝트의 다중 에이전트 협업 프로토콜은 게임 이론적 관점에서 각 에이전트의 작업 할당과 자원 분배를 최적화하여 전체 시스템의 효율성을 극대화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Multi-Agent-Systems-MAS]], [[Reinforcement-Learning]], [[Decision-Making]], [[Mechanism-Design]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Game-Theory-in-AI.md]]
@@ -1,28 +1,28 @@
 ---
-id: GAUSS-001
+id: MATH-GP-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [machine-learning, statistics, bayesian, regression]
+tags: [statistics, machine-learning, gaussian-processes, bayesian-inference, uncertainty]
 last_reinforced: 2026-04-26
 ---

-# [[Gaussian Processes (가우스 과정)]]
+# [[Gaussian Processes (가우시안 프로세스)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "함수들의 확률 분포를 정의하라" — 유한한 샘플 데이터를 바탕으로 미지의 함수 값뿐만 아니라 그 값의 불확실성(Confidence)까지 동시에 예측하는 비모수적 베이지안 회로 모델.
+> "데이터를 지나는 무한히 많은 함수들의 분포를 정의하고, 가장 가능성 높은 길과 그 확신도를 계산하라" — 함수 자체를 무한 차원의 가우시안 분포로 취급하여, 어떤 입력에 대한 출력값을 평균과 표준편차를 가진 확률 분포로 제공하는 강력한 회귀 및 분류 도구.

 ## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 입력 공간의 어떤 점들의 집합에 대해서도 가우스 분포(정규 분포)를 따른다고 가정하고, 데이터 간의 유사도(Kernel)를 정의하여 함수의 흐름을 추론하는 패턴.
- **세부 내용:**
-    - **Kernel Function (Covariance):** 두 지점이 얼마나 유사한 행동을 보일지 정의 (예: RBF 커널). 모델의 유연성을 결정.
-    - **Mean & Variance:** 예측값뿐만 아니라 그 지점에서의 오차 범위(불확실성)를 함께 출력함.
-    - **Bayesian Inference:** 새로운 데이터가 들어올 때마다 사후 분포(Posterior)를 업데이트하여 모델을 정교화.
-    - **Non-parametric:** 데이터가 늘어날수록 모델의 복잡도가 자동으로 적응하며, 파라미터 개수가 고정되어 있지 않음.
+- **추출된 패턴:** 입력 데이터 간의 유사성을 커널 함수(Kernel Function)로 정의하고, 가까운 지점은 비슷한 값을 가질 것이라는 믿음을 바탕으로 미지의 영역을 추론하는 베이지안 비모수 패턴.
+- **핵심 요소:**
+    - **Mean Function:** 데이터가 없을 때의 기본 예측값 (보통 0).
+    - **Kernel (Covariance) Function:** 두 입력 사이의 관계(부드러움, 주기성 등)를 결정하는 핵심 파라미터.
+    - **Bayesian Inference:** 새로운 관측 데이터가 유입될 때마다 사후 분포(Posterior)를 업데이트하여 불확실성 정제.
+- **의의:** 딥러닝과 달리 모델의 '모름(Uncertainty)'을 정량화할 수 있어, 최적화(Bayesian Optimization)나 소량 데이터 학습에서 필수적으로 사용됨.

 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 데이터가 많아질수록 연산 비용($O(N^3)$)이 급증하는 한계가 있었으나, 최근에는 희소 가우스 과정(Sparse GP) 등의 기법으로 대규모 데이터 처리 가능해짐.
- **정책 변화:** AI 에이전트의 하이퍼파라미터 최적화(Bayesian Optimization) 과정에서 탐색과 활용의 균형을 맞추기 위한 핵심 알고리즘으로 사용됨.
+- **과거 데이터와의 충돌:** 연산 복잡도가 데이터 수의 세제곱($O(n^3)$)에 비례하여 대규모 데이터 처리가 불가능했으나, 최근에는 희소 근사(Sparse approximation) 기법을 통해 수백만 개의 데이터도 처리 가능하도록 진화.
+- [[Epistemic-Uncertainty]]를 정밀하게 측정하는 데 가장 적합한 도구로 재평가됨.

 ## 🔗 지식 연결 (Graph)
- [[Bayesian-Inference]], [[Regression-Analysis]], [[Kernel-Methods]], [[Optimization]]
+- [[Epistemic-Uncertainty]], [[Bayesian-Inference]], [[Black-Box-Optimization]], [[Regression-Foundations]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Gaussian-Processes.md]]
@@ -0,0 +1,31 @@
+---
+id: GEN-AI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, machine-learning, generalization, overfitting, regularization]
+last_reinforced: 2026-04-26
+---
+
+# [[Generalization in AI (AI의 일반화 능력)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "학습 데이터를 외우지 말고, 데이터 속에 숨겨진 보편적인 법칙을 통찰하라" — 모델이 학습 데이터셋에만 특화되지 않고, 실제 운영 환경에서 마주하는 낯선 데이터에 대해서도 높은 성능을 유지할 수 있는 능력.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 훈련 오차(Training Error)와 검증 오차(Validation Error) 사이의 간극을 최소화하고, 단순한 모델 구조와 풍부한 데이터를 통해 데이터의 '노이즈'가 아닌 '신호'를 학습하는 패턴.
+- **주요 저해 요인:**
+    - **Overfitting (과적합):** 모델이 너무 복잡하여 학습 데이터의 무작위 노이즈까지 학습해버린 상태.
+    - **Data Bias:** 학습 데이터가 현실의 다양성을 충분히 반영하지 못한 경우.
+- **일반화 향상 전략:**
+    - **Regularization (L1, L2):** 모델의 가중치가 너무 커지지 않도록 제약.
+    - **Data Augmentation:** 데이터의 양과 다양성을 인위적으로 늘림.
+    - **Early Stopping:** 검증 오차가 오르기 시작하는 시점에 학습 중단.
+    - **Cross-Validation:** 데이터를 여러 번 교차하여 검증함으로써 평가의 신뢰도 확보.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** "모델이 복잡할수록 나쁘다(Occam's Razor)"는 고전적 믿음이, 거대 모델에서는 오히려 매개변수가 많을수록 일반화 성능이 좋아지는 'Double Descent' 현상이 발견되며 패러다임 변화 발생.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 일반화 능력을 테스트하기 위해, 학습에 사용되지 않은 외부 지식 소스(Uber, Europeana 등)를 활용한 'Out-of-distribution' 벤치마크를 정기적으로 수행함.
+
+## 🔗 지식 연결 (Graph)
+- [[Overfitting-and-Underfitting]], [[Regularization-Techniques]], [[Cross-Validation]], [[Few-Shot-Learning]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Generalization-in-AI.md]]
@@ -0,0 +1,29 @@
+---
+id: GEN-IMPACT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, generative-ai, future-of-work, ai-ethics, societal-impact]
+last_reinforced: 2026-04-26
+---
+
+# [[Generative AI Impact (생성형 AI의 영향력)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "한계 비용 제로의 지식 창출 시대, 인간은 '무엇을 할 것인가'에서 '무엇을 질문할 것인가'로 이동한다" — 텍스트, 이미지, 코드를 생성하는 AI가 생산성을 폭발적으로 증가시키고, 창의성의 문턱을 낮추며 산업 구조를 재편하는 거대한 전환기.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 인간의 지적/예술적 노동 중 반복적이고 정형화된 부분을 AI가 대체하고, 인간은 상위 수준의 기획, 검증, 그리고 프롬프트 설계에 집중하는 'AI-Human Copilot' 협업 패턴.
+- **주요 영향 분야:**
+    - **Economic Efficiency:** 콘텐츠 제작, 고객 대응, 소프트웨어 개발 비용의 획기적 절감.
+    - **Creative Democratization:** 고도의 전문 지식 없이도 고품질의 예술/디자인 결과물 생성 가능.
+    - **Educational Revolution:** 개인별 맞춤형 튜터링과 지식 요약의 보편화.
+    - **Legal & Ethical Risks:** 저작권 분쟁, 딥페이크를 통한 가짜 뉴스, 데이터 편향성 심화.
+- **의의:** AI가 단순히 명령을 수행하는 기계가 아니라, 인간의 사고를 확장하고 새로운 가능성을 제안하는 능동적 파트너로 진화했음을 의미.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** AI가 육체 노동만을 대체할 것이라는 예측을 뒤엎고, 고도의 창의성과 인지 능력이 필요한 '화이트칼라' 영역부터 급격한 변화가 시작됨.
+- **정책 변화:** Antigravity 프로젝트는 생성형 AI의 결과물에 대한 투명성(Provenance)을 보장하기 위해 모든 생성 지식에 출처 메타데이터를 기록하며, AI의 창작물에 대한 인간의 최종 검토 프로세스를 강화함.
+
+## 🔗 지식 연결 (Graph)
+- [[Generative-Adversarial-Networks-GAN]], [[LLM]], [[Future-of-Work-with-AI]], [[AI-Ethics]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Generative-AI-Impact.md]]
@@ -1,28 +1,30 @@
 ---
-id: GENETIC-001
+id: EVO-GEN-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [optimization, evolutionary-computation, algorithms]
+tags: [ai, evolutionary-computation, genetic-algorithm, optimization, survival-of-the-fittest]
 last_reinforced: 2026-04-26
 ---

 # [[Genetic Algorithms (유전 알고리즘)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "최적의 해답을 자연의 진화 과정에서 찾아라" — 다윈의 적자생존 원리를 컴퓨터 프로그래밍에 적용하여, 변이와 교차를 통해 문제의 해를 점진적으로 개선해나가는 탐색 알고리즘.
+> "자연의 선택과 변이 메커니즘을 빌려와, 다차원 공간 속에서 최적의 해답을 진화시켜라" — 다윈의 진화론을 공학적으로 구현하여, 후보 해들을 교차(Crossover)시키고 돌연변이(Mutation)를 일으키며 세대를 거듭해 정답에 근사하는 최적화 알고리즘.

 ## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 후보 해(개체)들의 집단을 생성하고, 적합도 함수(Fitness Function)에 따라 우수한 개체를 선별하여 유전 연산을 반복함으로써 최적해로 수렴시키는 패턴.
- **세부 내용:**
-    - **Encoding:** 해(Solution)를 염색체(Chromosome) 형태(비트, 문자열 등)로 표현.
-    - **Selection:** 적합도가 높은 개체가 자손을 남길 확률을 높임 (예: 룰렛 휠 선택).
-    - **Crossover (교차):** 두 부모 개체의 유전자를 결합하여 새로운 자손 생성.
-    - **Mutation (변이):** 낮은 확률로 유전자를 무작위로 변경하여 지역 최적해(Local Optima)에 빠지는 것을 방지.
+- **추출된 패턴:** 미분이 불가능하거나 탐색 공간이 너무 넓어 전통적인 방식으로는 해를 찾기 힘든 문제에서, 확률적 탐색과 적자생존의 원칙을 결합하여 전역 최적해(Global Optima)를 찾아가는 진화 탐색 패턴.
+- **주요 단계:**
+    - **Initialization:** 무작위로 생성된 초기 해 집단(Population) 구성.
+    - **Fitness Evaluation:** 각 해가 문제 해결에 얼마나 적합한지 점수 산정.
+    - **Selection:** 적합도가 높은 개체를 부모로 선택하여 다음 세대에 유전자 전달.
+    - **Crossover:** 부모 유전자를 섞어 새로운 자손 생성.
+    - **Mutation:** 낮은 확률로 유전 정보를 무작위로 변경하여 지역 최적해(Local Optima) 탈출 유도.
+- **의의:** 정답을 직접 계산하는 것이 아니라, 수많은 시도와 실패를 통해 '정답으로 진화'해 나가는 생물학적 지능의 구현.

 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 미분 가능한 공간에서의 경사 하강법에 비해 속도는 느릴 수 있으나, 탐색 공간이 매우 복잡하거나 불연속적인 문제에서 여전히 강력한 위력을 발휘함.
- **정책 변화:** Skybound 프로젝트의 절차적 콘텐츠 생성(PCG) 시, 최적의 맵 레이아웃이나 에너미 배치를 자동으로 생성하는 도구로 활용 연구 중.
+- **과거 데이터와의 충돌:** 단순히 수치를 찾는 최적화 도구에서, 최근에는 신경망 구조 자체를 진화시키는 Neuroevolution 기법으로 확장되어 딥러닝과 융합됨.
+- **정책 변화:** Skybound 프로젝트의 함대 진형 최적화 알고리즘은 유전 알고리즘을 활용하여, 수만 번의 교전을 시뮬레이션하며 적의 공격을 가장 잘 방어하는 최적의 배치를 스스로 찾아냄.

 ## 🔗 지식 연결 (Graph)
- [[Evolutionary-Computation]], [[Optimization]], [[Neural-Architecture-Search]]
+- [[Evolutionary-Computation]], [[Fitness-Landscape]], [[Black-Box-Optimization]], [[Neural-Architecture-Search-NAS]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Genetic-Algorithms.md]]
@@ -0,0 +1,31 @@
+---
+id: GEO-DL-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, deep-learning, geometric-deep-learning, gnn, graph-theory, topology]
+last_reinforced: 2026-04-26
+---
+
+# [[Geometric Deep Learning (기하학적 딥러닝)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 외형이 아닌, 그 안에 숨겨진 대칭성과 기하학적 구조를 학습하여 차원을 넘나드는 지능을 구현하라" — 유클리드 공간(격자)을 넘어 그래프, 매니폴드, 3D 메쉬 등 비유클리드 구조를 가진 데이터에서 불변하는 특징을 추출하기 위한 딥러닝의 통합 프레임워크.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 데이터의 물리적 위치가 변하더라도 그들 사이의 관계나 위상(Topology)이 유지된다면 동일한 특징으로 인식하는 '기하학적 불변성(Geometric Invariance)' 학습 패턴.
+- **주요 대상:**
+    - **Graphs:** 사회 관계망, 분자 구조, 지식 그래프.
+    - **Manifolds:** 구면 데이터, 비정형 표면.
+    - **3D Meshes:** 입체적인 사물 모델링 데이터.
+- **핵심 원칙:**
+    - **Symmetry (대칭성):** 회전이나 평행 이동에도 변하지 않는 성질 활용.
+    - **Invariance & Equivariance:** 입력의 변환에 따라 출력이 일정하게 유지되거나 규칙적으로 변하는 성질.
+- **의의:** 신약 개발(분자 결합 예측), 추천 시스템(사용자-아이템 그래프), 자율주행(3D 공간 인식) 등 비정형 데이터가 주를 이루는 난제 해결의 열쇠.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 이미지를 픽셀의 나열로만 보던 CNN의 한계를 넘어, 데이터 사이의 논리적/물리적 연결 구조 자체를 학습하는 방향으로 인공지능의 시야가 확장됨.
+- **정책 변화:** Antigravity 프로젝트는 수만 개의 지식 노드 간의 복잡한 상관관계를 분석하기 위해 기하학적 딥러닝 기반의 Graph Neural Networks(GNN)를 도입하여 지식 지도를 고도화함.
+
+## 🔗 지식 연결 (Graph)
+- [[GNN]], [[Graph-Theory]], [[Dimensionality-Reduction]], [[Representation-Learning]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Geometric-Deep-Learning.md]]
@@ -0,0 +1,30 @@
+---
+id: UX-GESTALT-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ux, design, gestalt-principles, psychology, human-computer-interaction]
+last_reinforced: 2026-04-26
+---
+
+# [[Gestalt Principles in UX (UX에서의 게슈탈트 원리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "전체는 부분의 합과 다르며, 인간의 뇌는 복잡한 시각 정보를 본능적으로 단순하고 유의미한 그룹으로 엮어낸다" — 인간의 시각 인지 과정을 설명하는 심리학 법칙들을 인터페이스 설계에 적용하여, 사용자가 별도의 학습 없이도 화면의 구조와 관계를 즉각 파악하게 만드는 디자인 원칙.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 개별 요소들의 배치(근접성, 유사성, 연속성 등)를 통해 뇌가 정보를 자동으로 그룹화하거나 분류하도록 유도하는 시각적 질서 형성 패턴.
+- **주요 법칙:**
+    - **Proximity (근접성):** 서로 가까이 있는 요소들을 하나의 그룹으로 인식.
+    - **Similarity (유사성):** 모양, 색상, 크기가 비슷한 요소들을 연관된 것으로 인식.
+    - **Continuity (연속성):** 시선이 부드러운 선이나 흐름을 따라가도록 배치.
+    - **Closure (폐쇄성):** 불완전한 형태라도 뇌가 부족한 부분을 채워 전체 형상으로 인식.
+    - **Figure/Ground (형태와 배경):** 주목해야 할 대상과 배경을 명확히 구분.
+- **의의:** 텍스트 설명 없이도 레이아웃만으로 기능의 연관성과 계층 구조를 전달하여 인지 부하를 최소화함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 화려한 그래픽 중심의 디자인에서, 인간의 인지 구조를 배려하는 '뇌 친화적' 인터페이스 설계로 UX의 중심축이 이동함.
+- **정책 변화:** Antigravity 프로젝트의 모든 대시보드와 에이전트 인터페이스는 게슈탈트 원칙을 준수하여 설계되며, 특히 '유사성' 법칙을 통해 에이전트의 응답 유형별로 일관된 시각적 피드백을 제공함.
+
+## 🔗 지식 연결 (Graph)
+- [[UX-Design]], [[Human-Computer-Interaction-HCI]], [[Frontend-Architecture]], [[Visual-Hierarchy]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Gestalt-Principles in UX.md]]
@@ -0,0 +1,29 @@
+---
+id: PHYS-GIMBAL-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [physics, robotics, game-dev, orientation, rotation-math, skybound]
+last_reinforced: 2026-04-26
+---
+
+# [[Gimbals and Orientation (짐벌과 방향 제어)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "3차원 공간의 자유도를 수호하고, 회전의 축이 겹쳐 통제력을 잃는 짐벌 락의 함정을 회피하라" — 물체가 어떤 방향으로든 자유롭게 회전할 수 있도록 지지하는 장치(Gimbal)와, 오일러 각(Euler Angles) 및 쿼터니언(Quaternions)을 활용한 수학적 자세 제어 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 세 개의 회전 축(Roll, Pitch, Yaw)을 독립적으로 제어하여 물체의 지향점을 유지하고, 각 축 간의 상호작용으로 인해 발생하는 기하학적 제약을 극복하는 방향성 제어 패턴.
+- **핵심 개념:**
+    - **Euler Angles:** X, Y, Z 축을 기준으로 순차적으로 회전하는 직관적인 방식.
+    - **Gimbal Lock:** 두 회전 축이 겹치면서 한 차원의 자유도를 잃어버리는 현상 (오일러 각의 고질적 문제).
+    - **Quaternions (사원수):** 짐벌 락 문제를 해결하기 위해 4차원 복소수를 사용하는 수학적 도구. 부드러운 회전 보간(SLERP)에 필수적.
+    - **Stabilization:** 외부 흔들림에도 불구하고 카메라나 센서가 특정 방향을 고수하도록 실시간 보정.
+- **의의:** 항공우주, 로보틱스, 드론 제어는 물론 3D 게임 엔진의 카메라 시스템과 물리 시뮬레이션의 성능을 결정짓는 근간.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 오일러 각 기반의 단순 연산에서, 짐벌 락 방지와 연산 효율성을 위해 쿼터니언 기반의 자세 제어가 현대 시스템의 표준으로 정착됨.
+- **정책 변화:** Skybound 프로젝트의 함대 시점 카메라와 미사일 유도 알고리즘은 쿼터니언을 사용하여 격렬한 기동 중에도 끊김 없는 부드러운 시선 처리를 보장함.
+
+## 🔗 지식 연결 (Graph)
+- [[Physics-Engine]], [[Robotics]], [[Mathematics-for-AI]], [[Determinism-in-Computing]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Gimbals-and-Orientation.md]]
@@ -0,0 +1,29 @@
+---
+id: GIT-MASTER-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [software-engineering, version-control, git, collaboration, workflow]
+last_reinforced: 2026-04-26
+---
+
+# [[Git Version Control Master (깃 버전 관리 마스터)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "코드의 모든 순간을 기록하고, 병렬적인 시도들을 하나로 엮어내는 분산 버전 관리의 예술" — 소스코드의 변경 이력을 추적하고 여러 개발자의 작업을 충돌 없이 통합하며, 실험적인 브랜칭(Branching)을 통해 안전한 개발 환경을 제공하는 표준 도구.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Snapshot, not Delta" — 파일의 차이점이 아닌 상태 전체를 스냅샷으로 저장하여 무결성을 보장하고, 로컬과 원격의 상태를 동기화하며 프로젝트의 진화 과정을 관리하는 워크플로우 패턴.
+- **핵심 메커니즘:**
+    - **Area:** Working Directory (작업 중), Staging Area (준비), Repository (기록).
+    - **Branching & Merging:** 독립적인 작업 공간을 만들고, 검토 후 메인 줄기에 통합.
+    - **Rebase vs Merge:** 커밋 히스토리를 깔끔하게 유지할지, 아니면 실제 작업 흐름을 그대로 남길지의 선택.
+    - **Distributed System:** 모든 클라이언트가 전체 이력을 소유하여 오프라인 작업과 복구가 용이함.
+- **의의:** 현대 소프트웨어 공학의 필수 인프라로, 오픈소스 생태계와 지속적 통합(CI)의 토대.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 중앙 집중식(SVN 등)의 제약에서 벗어나, 분산형 구조와 자유로운 브랜칭을 통해 대규모 동시 개발이 가능한 시대를 엶.
+- **정책 변화:** Antigravity 프로젝트는 에이전트가 생성한 모든 지식(Wiki)과 코드(Agent, Skybound 등)를 Git으로 관리하며, '의미 있는 단위'의 자동 커밋과 푸시를 통해 실시간 지식 자산화를 실현함.
+
+## 🔗 지식 연결 (Graph)
+- [[DevOps-for-AI-MLOps]], [[Extreme-Programming-XP]], [[Software-Architecture-Patterns]], [[Collaborative-Development]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Git-Version-Control.md]]
@@ -0,0 +1,31 @@
+---
+id: OPT-GLO-LOC-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, optimization, mathematics, global-optima, local-optima]
+last_reinforced: 2026-04-26
+---
+
+# [[Global Optima vs Local Optima (전역 최적해와 지역 최적해)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "눈앞의 작은 언덕(Local)에 만족하지 말고, 산맥 전체에서 가장 높은 봉우리(Global)를 향한 탐험을 멈추지 마라" — 최적화 문제에서 함수값이 주변보다 가장 좋지만 전체에서는 최선이 아닌 지점(Local)과, 전체 영역을 통틀어 가장 우수한 지점(Global) 사이의 격차와 이를 극복하기 위한 도전.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 최적화 과정에서 경사(Gradient)를 따라 내려가다 보면 움푹 패인 작은 구덩이(Local Minima)에 갇히기 쉬우며, 이를 탈출하여 가장 깊은 골짜기(Global Minima)를 찾기 위한 전략적 탐색 패턴.
+- **핵심 차이점:**
+    - **Local Optima:** 특정 이웃 범위 내에서 최선의 해. 알고리즘이 더 이상 개선을 멈추기 쉬운 함정.
+    - **Global Optima:** 문제의 전체 정의 구역에서 단 하나(혹은 그 이상) 존재하는 절대적 최적해.
+- **지역 최적해 탈출 전략:**
+    - **Momentum:** 내려오던 관성을 이용해 작은 언덕을 넘어감.
+    - **Stochasticity (무작위성):** 확률적 경사 하강법(SGD)이나 돌연변이(Mutation)를 통해 무작위로 위치 이동.
+    - **Simulated Annealing:** 초기에는 과감하게 탐색하고 시간이 갈수록 정교하게 수렴.
+- **의의:** 딥러닝 학습이 단순히 '작동'하는 것을 넘어 '최고 성능'에 도달하기 위해 극복해야 할 가장 본질적인 수학적 과제.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 고차원 공간에서는 지역 최적해보다 안장점(Saddle Point)이 학습을 방해하는 더 큰 요인임이 밝혀지며, 최적화 전략의 초점이 안장점 탈출로 확장됨.
+- **정책 변화:** Antigravity 프로젝트는 하이퍼파라미터 튜닝 시 단일 시도가 아닌 베이지안 최적화를 활용하여, 지역 최적해의 함정을 피해 전역 최적해에 근사하는 파라미터 조합을 탐색함.
+
+## 🔗 지식 연결 (Graph)
+- [[Gradient-Descent]], [[Fitness-Landscape]], [[Black-Box-Optimization]], [[Genetic-Algorithms]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Global-vs-Local-Optima.md]]
@@ -0,0 +1,30 @@
+---
+id: ML-GBM-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [machine-learning, gradient-boosting, xgboost, lightgbm, supervised-learning]
+last_reinforced: 2026-04-26
+---
+
+# [[Gradient Boosting Machines (그래디언트 부스팅 머신)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "이전의 실수를 가장 뼈아픈 교훈으로 삼아, 오차의 경사(Gradient)를 따라 완벽한 정답으로 전진하라" — 여러 개의 약한 학습기(보통 의사결정 나무)를 순차적으로 연결하되, 앞선 모델이 틀린 오차를 다음 모델이 보정하는 방식으로 학습하는 강력한 앙상블 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 손실 함수(Loss Function)의 경사를 따라 모델을 점진적으로 추가하여, 전체 시스템의 예측 오차를 최소화하는 가법적 모델링(Additive Modeling) 패턴.
+- **핵심 알고리즘:**
+    - **AdaBoost:** 틀린 데이터에 가중치를 부여.
+    - **GBM:** 가중치 대신 손실 함수의 기울기(Residual)를 직접 학습.
+    - **XGBoost:** 병렬 처리와 과적합 방지 규제가 추가된 고성능 라이브러리.
+    - **LightGBM:** 대규모 데이터 처리에 최적화된 리프 중심 트리 분할 방식.
+    - **CatBoost:** 범주형 변수 처리에 특화된 알고리즘.
+- **의의:** 딥러닝이 지배하는 이미지/음성 분야와 달리, 금융, 마케팅 등 비즈니스 정형 데이터 분석 분야에서 여전히 '왕좌'를 지키고 있는 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 학습 속도가 느리고 오버피팅에 취약하던 초기 GBM의 한계를 XGBoost와 LightGBM이 기술적으로 극복하며 실무형 머신러닝의 표준으로 자리 잡음.
+- **정책 변화:** Antigravity 프로젝트는 문서의 중요도 랭킹 시스템이나 추천 엔진 설계 시, 딥러닝 임베딩과 함께 부스팅 모델을 앙상블하여 최상의 결과를 도출함.
+
+## 🔗 지식 연결 (Graph)
+- [[Ensemble-Methods]], [[Decision-Trees-and-Random-Forests]], [[Supervised-Learning-Foundations]], [[Gradient-Descent]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Gradient-Boosting-Machines.md]]
@@ -1,32 +1,31 @@
 ---
-id: P-REINFORCE-AUTO-GRDE-001
+id: OPT-GRAD-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.99
-tags: [auto-reinforced, gradient-descent, optimization, deep-learning, machine-learning, backpropagation]
-last_reinforced: 2026-04-20
+confidence_score: 1.0
+tags: [ai, optimization, mathematics, gradient-descent, machine-learning]
+last_reinforced: 2026-04-26
 ---

-# [[Gradient-Descent]]
+# [[Gradient Descent Foundations (경사 하강법 기초)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "안개 낀 산 내려오기: 복잡한 수만 개의 변수들로 이루어진 오차의 산(Error Surface)에서, 현재 위치의 경사(Gradient)를 따라 가장 가파르게 낮아지는 방향으로 한 걸음씩 이동하며 시스템의 오차를 최소화해 나가는 학습의 행동 강령."
+> "어둠 속에서 지형의 기울기만을 느끼며 가장 낮은 골짜기를 향해 끈기 있게 내려가라" — 모델의 예측값과 실제값 사이의 오차(Loss)를 정의하고, 이 오차를 최소화하는 방향으로 파라미터를 점진적으로 수정해 나가는 인공지능 학습의 근본 알고리즘.

 ## 📖 구조화된 지식 (Synthesized Content)
-경사 하강법(Gradient-Descent)은 미분 가능한 함수의 최솟값을 찾는 최적화 알고리즘입니다. 현대 AI 학습의 심장부입니다.
-
-1.  **작동 원리**:
-    *   **Gradient**: 함수의 기울기. 이 방향의 반대쪽으로 가야 오차가 줄어듦.
-    *   **Learning Rate ($\eta$)**: 한 발자국의 크기. 너무 크면 산을 뛰어넘고(발산), 너무 작으면 내려가는 데 영겁의 시간이 걸림. (Optimization과 연결)
-2.  **종류**:
-    *   **Batch GD**: 모든 데이터를 다 보고 내림 (정확하지만 느림).
-    *   **Stochastic GD (SGD)**: 데이터 하나 볼 때마다 한 걸음 (빠르지만 요동침).
-    *   **Mini-batch GD**: 적당한 묶음씩 보고 이동 (현실적 타협).
+- **추출된 패턴:** 목적 함수의 미분값(Gradient)이 가리키는 방향의 반대 방향으로 학습률(Learning Rate)만큼 파라미터를 업데이트하여, 오차라는 산맥의 최저점을 찾는 반복적 최적화 패턴.
+- **핵심 요소:**
+    - **Learning Rate ($\eta$):** 한 번에 얼마나 멀리 이동할지 결정. 너무 크면 발산하고, 너무 작으면 학습이 느림.
+    - **Partial Derivative:** 각 파라미터가 오차에 미치는 영향력을 개별적으로 계산.
+    - **Step:** 현재 위치에서 기울기가 가장 가파른 방향의 반대로 이동하는 한 단계의 연산.
+- **주요 변형:**
+    - **Stochastic Gradient Descent (SGD):** 하나의 데이터만 보고 즉시 업데이트. 빠르지만 요동이 심함.
+    - **Mini-batch SGD:** 적절한 묶음 데이터를 사용하여 속도와 안정성의 균형을 맞춤. 현대 딥러닝의 표준.
+- **의의:** 복잡한 신경망의 수백만 개 파라미터를 학습시킬 수 있는 유일하고 실질적인 방법.

 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 국소 최적해(Local Minima)에 갇혀 영영 빠져나오지 못할 것이라는 비관 정책이 많았으나, 현대 실무 정책은 고차원 공간에서는 대부분이 '안장점(Saddle point)'이며 적절한 소음(Adam 등)이 있으면 벗어날 수 있음을 입증함(RL Update).
- **정책 변화(RL Update)**: 단순히 오차를 줄이는 정책을 넘어, 학습 도중 경사가 소멸(Vanishing)하거나 폭주(Exploding)하는 정책을 막기 위해 배치 정규화(Batch Norm)나 잔차 연결(Residual Connection) 같은 아키텍처적 보조 정책이 필수화됨.
+- **과거 데이터와의 충돌:** 단순히 기울기만 따라가던 방식에서, 이제는 관성(Momentum)과 가변 학습률(Adam, RMSProp)을 더해 훨씬 효율적으로 최저점을 찾는 방식으로 진화.
+- [[Global-vs-Local-Optima]] 문서와 연계하여, 지역 최적해의 함정을 피하는 것이 경사 하강법 운영의 핵심 기술임.

 ## 🔗 지식 연결 (Graph)
- [[Optimization]], [[Backpropagation]], [[Deep Learning (DL)]], [[Efficiency]], [[Error Prediction Error (RPE와 유사)]]
- **Modern Tech/Tools**: Adam, RMSprop, Momentum, PyTorch/TensorFlow (Autograd).
---
+- [[Backpropagation]], [[Global-vs-Local-Optima]], [[Deep-Learning-Foundations]], [[Mathematics-for-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Gradient-Descent.md]]
@@ -1,28 +1,30 @@
 ---
-id: GRAPH-THEORY-001
+id: MATH-GRAPH-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [math, computer-science, algorithms, network-analysis]
+tags: [math, graph-theory, network-analysis, data-structures, ai]
 last_reinforced: 2026-04-26
 ---

-# [[Graph Theory (그래프 이론)]]
+# [[Graph Theory and Networks (그래프 이론과 네트워크)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "세상의 모든 연결을 점과 선의 언어로 추상화하라" — 개체들 간의 이진 관계를 수학적으로 모델링하여 경로 탐색, 연결성, 네트워크 구조의 특성을 연구하는 이산수학의 한 분야.
+> "세상의 모든 존재를 점(Node)으로, 그들의 관계를 선(Edge)으로 연결하여 복잡계의 지도를 그려라" — 개체들 간의 상호작용과 연결 구조를 수학적으로 모델링하여, 네트워크의 특성과 정보의 흐름을 분석하는 학문적 토대.

 ## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 복잡한 물리적/논리적 시스템을 정점(Vertex)과 간선(Edge)으로 이루어진 그래프 구조로 변환하여 최적화 문제를 해결하는 추상화 패턴.
- **세부 내용:**
-    - **Types of Graphs:** 유향/무향(Directed/Undirected), 가중(Weighted), 순환/비순환(Cyclic/Acyclic) 그래프 등.
-    - **Key Algorithms:** A*(경로 탐색), Dijkstra(최단 경로), PageRank(중요도 평가), BFS/DFS(순회).
-    - **Connectivity:** 네트워크 내의 컴포넌트들이 얼마나 긴밀하게 연결되어 있는지, 단절 시 영향도는 어떠한지 분석.
-    - **Planar Graphs:** 평면 위에 교차 없이 그릴 수 있는 그래프. 회로 설계 등에 활용.
+- **추출된 패턴:** 개별 요소의 특성보다 요소들 사이의 '연결 방식(Connectivity)'이 시스템 전체의 성격(중요도, 전파 속도, 강건성 등)을 결정한다는 관계 중심의 분석 패턴.
+- **핵심 개념:**
+    - **Nodes & Edges:** 데이터를 나타내는 정점과 관계를 나타내는 간선.
+    - **Degree:** 특정 노드에 연결된 간선의 수 (중요도 지표).
+    - **Shortest Path:** 두 노드 사이의 최단 거리 (효율성 지표).
+    - **Centrality:** 네트워크 내에서 특정 노드가 차지하는 영향력 (PageRank 등).
+    - **Clustering:** 노드들이 얼마나 밀집하여 그룹을 형성하는지 측정.
+- **의의:** 소셜 네트워크 분석, 전력망 설계, 신약 개발은 물론, 현대 AI의 지식 그래프(Knowledge Graph)와 GNN의 핵심 이론적 근거.

 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순한 퍼즐 풀이(쾨니히스베르크의 다리)에서 시작했으나, 현대에는 인터넷 아키텍처, 뇌 신경망 분석, AI 모델의 어텐션 맵 분석 등으로 응용 범위가 무한히 확장됨.
- **정책 변화:** Antigravity 프로젝트는 지식의 고립(Islands)을 방지하기 위해 그래프 이론의 'Strongly Connected Components' 개념을 문서 자동 연결 로직에 적용함.
+- **과거 데이터와의 충돌:** 정적인 관계망 분석에서 벗어나, 시간에 따라 노드와 엣지가 생성/소멸하는 동적 네트워크(Dynamic Networks) 분석으로 진화.
+- **정책 변화:** Antigravity 프로젝트는 1,174개의 지식 문서 간의 상관관계를 그래프 이론적 관점에서 상시 분석하며, 지식의 고립(Island)을 방지하고 핵심 연결 노드를 자동으로 추천함.

 ## 🔗 지식 연결 (Graph)
- [[Directed-Acyclic-Graph]], [[Graph-Database]], [[A-Star-Algorithm]], [[Network-Science]]
+- [[GNN]], [[Geometric-Deep-Learning]], [[Knowledge-Graph-Foundations]], [[Search-Algorithms]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Graph-Theory.md]]
@@ -0,0 +1,29 @@
+---
+id: CS-GREEDY-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-science, algorithms, greedy-algorithm, optimization, search-strategies]
+last_reinforced: 2026-04-26
+---
+
+# [[Greedy Algorithms (탐욕 알고리즘)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "매 순간 눈앞의 가장 큰 이득만을 취하라. 때로는 단순한 탐욕이 가장 효율적인 정답으로 인도한다" — 전역적인 최적해를 찾기 위해 복잡하게 고민하는 대신, 각 단계에서 국소적으로 가장 좋은 선택(Local Optimum)을 반복하여 최종 해를 도출하는 설계 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Greedy Choice Property"와 "Optimal Substructure"가 성립하는 문제에서, 과거의 선택을 뒤돌아보지 않고 현재의 최선만을 선택하여 연산 효율을 극대화하는 패턴.
+- **핵심 특징:**
+    - **Local Optimum:** 각 단계에서의 최선의 선택.
+    - **No Backtracking:** 한 번 내린 결정은 번복하지 않음.
+    - **Efficiency:** 동적 계획법(DP)보다 연산 속도가 압도적으로 빠름.
+- **적용 사례:** Dijkstra의 최단 경로 알고리즘, Prim/Kruskal의 최소 신장 트리(MST), 허프만 코딩(Huffman Coding), 거스름돈 문제.
+- **한계:** 모든 문제에서 전역 최적해(Global Optimum)를 보장하지는 않으므로 사용 전 수학적 검증이 필요함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 완벽한 정답(Optimal Solution)만을 추구하던 경직된 사고에서, 실시간성이나 연산 자원이 중요한 환경에서는 '충분히 좋은 해(Heuristic)'를 빠르게 찾는 탐욕적 방식이 더 현실적일 수 있음을 인정.
+- **정책 변화:** Antigravity 프로젝트의 실시간 지식 임베딩 클러스터링 알고리즘은 연산 부하를 줄이기 위해 일부 단계에서 탐욕적 접근 방식을 채택하여 빠른 반응성을 유지함.
+
+## 🔗 지식 연결 (Graph)
+- [[Global-vs-Local-Optima]], [[Search-Algorithms]], [[Heuristic-Search]], [[Dynamic-Programming-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Greedy-Algorithms.md]]
@@ -0,0 +1,28 @@
+---
+id: MATH-HMM-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [statistics, machine-learning, hmm, sequence-modeling, hidden-states]
+last_reinforced: 2026-04-26
+---
+
+# [[HMM (Hidden Markov Models, 은닉 마르코프 모델)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "보이지 않는 진실(Hidden States)을 겉으로 드러난 현상(Observations)을 통해 확률적으로 추론하라" — 관측 가능한 데이터를 바탕으로 직접 볼 수 없는 상태들의 변화 과정을 확률 모델로 설명하는 시계열 데이터 분석의 고전이자 핵심 도구.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Markov Property" — 미래의 상태는 오직 현재의 상태에 의해서만 결정된다는 가정을 바탕으로, 숨겨진 상태들 사이의 전이 확률(Transition Prob)과 상태별 관측 확률(Emission Prob)을 계산하는 확률 모델링 패턴.
+- **주요 알고리즘:**
+    - **Forward-Backward Algorithm:** 특정 관측치가 나타날 전체 확률 계산.
+    - **Viterbi Algorithm:** 관측된 데이터를 생성했을 가장 가능성 높은 상태의 경로(Sequence) 탐색.
+    - **Baum-Welch Algorithm:** 데이터를 통해 모델의 파라미터를 학습하는 EM 알고리즘 기반 기법.
+- **의의:** 음성 인식, 유전자 분석, 필기체 인식 등 딥러닝 이전의 시퀀스 모델링 분야를 지배했으며, 현재도 불완전한 정보 하의 상태 추론에 널리 쓰임.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** RNN/LSTM에 의해 많은 영역이 대체되었으나, 명시적인 상태 전이가 중요한 제어 시스템이나 데이터가 매우 적은 확률 모델링에서는 여전히 강력한 효율성을 발휘함.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 불완전한 센서 데이터나 불규칙한 로그 시퀀스를 바탕으로 시스템의 잠재적 상태(정상/위험/장애 등)를 확률적으로 진단할 때 HMM을 보조적으로 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Probability-Theory]], [[RNN-Foundations]], [[Kalman-Filter]], [[Sequence-to-Sequence-Models]]
+- **Raw Source:** [[10_Wiki/Topics/AI/HMM.md]]
@@ -0,0 +1,32 @@
+---
+id: LLM-HAL-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, nlp, llm, hallucination, ai-ethics, rag]
+last_reinforced: 2026-04-26
+---
+
+# [[Hallucination in LLMs (LLM의 환각 현상)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "모델은 '모름'을 인정하기보다 가장 그럴듯한 거짓말을 선택하는 통계적 본능을 가지고 있음을 경계하라" — 대규모 언어 모델이 학습 데이터에 없는 사실을 마치 사실인 것처럼 지어내거나, 논리적으로 맞지 않는 답변을 생성하는 현상.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 모델이 확률적으로 가장 높은 다음 토큰을 생성하는 과정에서, 사실 관계(Factuality)보다 문장의 유창함(Fluency)이나 패턴의 유사성에 압도되어 발생하는 정보 왜곡 패턴.
+- **주요 원인:**
+    - **Data Noise:** 학습 데이터 자체에 잘못된 정보가 포함된 경우.
+    - **Over-smoothing:** 드문 사실보다 흔한 패턴을 우선시하여 일반화하는 경향.
+    - **Knowledge Cut-off:** 학습 시점 이후의 사건에 대해 추측하여 답변.
+- **해결 전략:**
+    - **RAG (Retrieval-Augmented Generation):** 외부의 신뢰할 수 있는 지식 소스를 검색하여 근거로 제공 (Antigravity의 핵심 전략).
+    - **Prompt Engineering:** "모르면 모른다고 답하라"는 명시적 지시 포함.
+    - **Verification Loop:** 생성된 답변을 다른 모델이나 인간이 재검증.
+- **의의:** AI 답변의 신뢰도를 결정하는 가장 큰 장벽이며, 이를 통제하는 능력이 실전 AI 성능의 척도가 됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 '창의적 오류'로 치부되던 시기를 지나, 이제는 시스템의 결함으로 인식되어 이를 줄이기 위한 기술(RLHF, RAG 등)이 비약적으로 발전함.
+- **정책 변화:** Antigravity 프로젝트는 모든 지식 보강 작업 시 `00_Raw` 데이터에 기반한 RAG 프로세스를 강제하여 환각 현상을 원천 차단함.
+
+## 🔗 지식 연결 (Graph)
+- [[LLM]], [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Trustworthy-AI]], [[Knowledge-Gardening-Protocol]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Hallucination-in-LLMs.md]]
@@ -0,0 +1,32 @@
+---
+id: HW-ACCEL-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [hardware, ai-infrastructure, tpu, npu, asic, acceleration]
+last_reinforced: 2026-04-26
+---
+
+# [[Hardware Acceleration for AI (AI 하드웨어 가속)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "범용성을 포기하고 연산의 본질(Matrix Math)에만 모든 하드웨어 자원을 쏟아부어 성능의 한계를 돌파하라" — 인공지능 학습과 추론에 필요한 거대한 규모의 행렬 연산을 CPU보다 수십~수백 배 빠르게 처리하기 위해 설계된 특수 목적 하드웨어 및 그 가속 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 딥러닝 연산의 90% 이상을 차지하는 곱셈-누산(MAC) 연산을 저전력으로 초고속 처리하기 위해 연산 유닛을 격자 형태로 배치하는 시스톨릭 어레이(Systolic Array) 아키텍처 패턴.
+- **주요 가속기 종류:**
+    - **GPU (Graphics Processing Unit):** 수천 개의 코어를 이용한 범용 병렬 처리의 강자.
+    - **TPU (Tensor Processing Unit):** 구글이 개발한 텐서 연산 특화 ASIC.
+    - **NPU (Neural Processing Unit):** 모바일 및 엣지 기기에서 저전력 AI 연산에 특화.
+    - **FPGA:** 회로를 직접 프로그래밍하여 특정 알고리즘에 맞춤화된 성능 제공.
+- **핵심 기술:**
+    - **Mixed Precision:** FP32 대신 FP16, BF16, INT8 등 낮은 정밀도를 사용하여 연산량과 메모리 사용량 절감.
+    - **Quantization:** 모델 가중치를 낮은 비트로 변환하여 가속화.
+- **의의:** 하드웨어의 혁신이 모델의 대형화와 실시간 서빙을 가능케 하는 AI 발전의 물리적 동력.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 하드웨어는 주어진 것이라는 인식에서 벗어나, 이제는 알고리즘에 맞춰 하드웨어를 설계(HW-SW Co-design)하는 시대로 진화.
+- [[GPU-Architecture-for-AI]] 문서와 연계하여, 각 가속기별 최적화 전략의 차이를 명확히 인지해야 함.
+
+## 🔗 지식 연결 (Graph)
+- [[GPU-Architecture-for-AI]], [[System-Design-for-AI-Scale]], [[Deep-Learning-Foundations]], [[Edge-AI-and-Computing]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Hardware-Acceleration-for-AI.md]]
@@ -0,0 +1,28 @@
+---
+id: CS-HASH-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-science, data-structures, hash-function, hash-map, search-efficiency]
+last_reinforced: 2026-04-26
+---
+
+# [[Hash Functions and Maps (해시 함수와 맵)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 고유한 지문(Hash)을 만들어, 아무리 넓은 공간에서도 단번에 원하는 정보를 낚아채라" — 임의의 길이를 가진 데이터를 고정된 길이의 고유한 값으로 변환(Hashing)하고, 이를 인덱스로 사용하여 데이터의 삽입과 검색을 상성 시간($O(1)$)에 수행하는 핵심 자료구조.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Key-Value" 쌍으로 정보를 저장하고, 키값에 해시 함수를 적용하여 저장 위치를 즉각 결정함으로써 탐색 범위를 원천적으로 배제하는 매핑 패턴.
+- **핵심 요소:**
+    - **Hash Function:** 입력 데이터를 고르게 분산된 숫자로 변환하는 결정론적 함수.
+    - **Collision Resolution:** 서로 다른 키가 같은 해시값을 가질 때의 해결책 (Chaining, Open Addressing).
+    - **Load Factor:** 해시 테이블의 채워진 정도에 따라 성능이 결정되므로 적절한 리사이징(Resizing) 필요.
+- **의의:** 캐시 시스템, 데이터베이스 인덱싱, 암호화, 중복 체크 등 현대 모든 고성능 소프트웨어 아키텍처의 필수 구성 요소.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순한 배열이나 리스트를 순회하던 방식에서, 메모리를 조금 더 사용하더라도 압도적인 검색 속도를 보장하는 해시 기반 자료구조가 현대 개발의 표준으로 정착.
+- **정책 변화:** Antigravity 프로젝트는 수백만 개의 지식 임베딩 ID를 관리하고 중복 문서를 빠르게 필터링하기 위해 고성능 해시 맵 아키텍처를 적극 활용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Data-Structures-Foundations]], [[Search-Algorithms]], [[Distributed-Computing]], [[System-Design-for-AI-Scale]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Hash-Functions-and-Maps.md]]
@@ -0,0 +1,28 @@
+---
+id: CS-HEUR-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, algorithms, search-algorithms, heuristic, a-star, pathfinding]
+last_reinforced: 2026-04-26
+---
+
+# [[Heuristic Search (휴리스틱 탐색)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "완벽한 계산에 집착하기보다, 정답에 가까울 것 같은 길을 먼저 선택하여 탐색의 미로를 돌파하라" — 문제 해결 과정에서 모든 경로를 탐색하는 대신, 현재 상태에서 목표까지 남은 거리나 비용을 추정(Heuristic)하여 탐색 범위를 획기적으로 줄이는 전략.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Best-First Search" — 평가 함수 $f(n) = g(n) + h(n)$ 을 사용하여, 지금까지 온 비용($g$)과 앞으로 남은 예상 비용($h$)의 합이 가장 적은 노드부터 우선적으로 방문하는 우선순위 탐색 패턴.
+- **핵심 알고리즘:**
+    - **A* Search:** 가장 널리 쓰이는 휴리스틱 탐색으로, 남은 거리($h$)를 과소평가(Admissibility)할 경우 항상 최단 경로를 보장함.
+    - **Greedy Best-First Search:** 현재 위치에서 목표에 가장 가까워 보이는 곳으로만 이동. 빠르지만 최단 경로 보장 못함.
+    - **Beam Search:** 메모리 제약을 위해 상위 N개의 유망한 경로만 남기고 탐색 (LLM 문장 생성에 사용).
+- **의의:** 탐색 공간이 기하급수적으로 늘어나는 문제(체스, 경로 찾기, 언어 모델링 등)에서 연산 자원을 효율적으로 사용하여 현실적인 시간 내에 답을 도출함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 완전 탐색(BFS, DFS)이 정답이라는 고정관념에서 벗어나, 복잡도가 높은 현실 문제에서는 '충분히 좋은 해'를 빠르게 찾는 휴리스틱이 더 가치 있음을 증명.
+- **정책 변화:** Skybound 프로젝트의 적 함대 경로 탐색 알고리즘은 장애물 회피를 위해 최적화된 A* 휴리스틱을 사용하여 실시간 프레임 저하 없이 복잡한 지형을 기동함.
+
+## 🔗 지식 연결 (Graph)
+- [[Search-Algorithms]], [[Greedy-Algorithms]], [[A-Star-Algorithm-Optimizations]], [[Decision-Trees-and-Random-Forests]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Heuristic-Search.md]]
@@ -0,0 +1,29 @@
+---
+id: SYS-HA-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [infrastructure, high-availability, cloud-computing, reliability, system-architecture]
+last_reinforced: 2026-04-26
+---
+
+# [[High Availability Systems (고가용성 시스템)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "장애는 반드시 일어난다는 가정 하에, 시스템의 어느 한 곳이 무너져도 서비스가 멈추지 않는 '불사신' 아키텍처를 설계하라" — 시스템의 구성 요소들을 이중화(Redundancy)하고 장애를 자동으로 감지 및 복구하여, 사용자가 체감하는 서비스 중단 시간을 최소화(99.99% 이상)하는 기술 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 단일 장애점(Single Point of Failure, SPOF)을 철저히 제거하고, 부하 분산(Load Balancing)과 복제(Replication)를 통해 자원을 분산 배치하여 장애 전파를 차단하는 격리 및 복구 패턴.
+- **핵심 요소:**
+    - **Redundancy:** 모든 핵심 서버와 데이터베이스를 2개 이상으로 운영 (Active-Active, Active-Standby).
+    - **Load Balancing:** 트래픽을 여러 노드에 고르게 분산시켜 과부하 방지.
+    - **Failover:** 장애 발생 시 즉시 정상적인 노드로 서비스를 전환.
+    - **Health Check:** 각 노드의 상태를 주기적으로 감지하여 가용 자원에서 제외/포함 결정.
+- **의의:** 비즈니스 연속성(Business Continuity)을 보장하고 서비스 신뢰도를 높여, 대규모 사용자 기반의 플랫폼 운영에 필수적인 토대 제공.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 성능이 좋은 서버 하나를 쓰는 것보다, 평범한 여러 서버를 유기적으로 연결하는 것이 비용 대비 가용성 면에서 압도적임을 클라우드 시대를 통해 증명.
+- **정책 변화:** Antigravity 프로젝트의 클라우드 브레인 인프라는 다중 리전(Multi-region) 배치를 통해 자연재해급 장애 상황에서도 지식 검색 서비스가 중단되지 않도록 고가용성 설계를 적용함.
+
+## 🔗 지식 연결 (Graph)
+- [[System-Design-for-AI-Scale]], [[Distributed-Computing]], [[Hybrid-Cloud-Architectures]], [[Fault-Tolerance-and-Resilience]]
+- **Raw Source:** [[10_Wiki/Topics/AI/High-Availability-Systems.md]]
@@ -0,0 +1,28 @@
+---
+id: SEC-HOMO-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [security, cryptography, homomorphic-encryption, privacy-preserving-ai, data-privacy]
+last_reinforced: 2026-04-26
+---
+
+# [[Homomorphic Encryption (동형 암호)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 자물쇠를 풀지 않고도 그 내용물을 가공하여, 결과물만을 안전하게 돌려받아라" — 암호화된 데이터를 복호화하지 않은 상태에서 덧셈, 곱셈 등 수학적 연산을 수행하고 그 결과 또한 암호화된 형태로 얻을 수 있게 하는 혁신적인 암호 체계.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Privacy-Preserving Computing" — 민감한 원본 데이터(의료 정보, 개인 금융 등)를 외부에 공개하지 않고도 클라우드나 AI 모델이 이를 학습하거나 분석할 수 있게 하는 보안 연산 패턴.
+- **주요 유형:**
+    - **Partially Homomorphic (PHE):** 덧셈이나 곱셈 중 한 종류의 연산만 지원 (예: RSA, Paillier).
+    - **Somewhat Homomorphic (SHE):** 제한된 횟수의 연산 지원.
+    - **Fully Homomorphic (FHE):** 횟수 제한 없이 모든 종류의 산술 연산 지원 (가장 강력함).
+- **의의:** '데이터 활용'과 '개인정보 보호'라는 상충하는 가치를 동시에 만족시킬 수 있어, 미래 지능형 의료, 보안 클라우드, 분산 AI 학습의 핵심 기술로 평가됨.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 연산 속도가 너무 느려 실질적 사용이 불가능하다는 인식이 강했으나, 최근 알고리즘 최적화와 가속 하드웨어의 발전으로 실무 적용 가능한 영역(통계 분석 등)이 확대되고 있음.
+- **정책 변화:** Antigravity 프로젝트는 사용자의 민감한 개인 정보를 포함한 '로컬 브레인 로그'를 분석할 때, 동형 암호 기술을 적용하여 분석 서버가 원본 텍스트를 절대 볼 수 없도록 하는 보안 표준을 연구 중임.
+
+## 🔗 지식 연결 (Graph)
+- [[Data-Privacy-Foundations]], [[Federated-Learning]], [[Differential-Privacy]], [[Cloud-Security-Mastery]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Homomorphic-Encryption.md]]
@@ -0,0 +1,29 @@
+---
+id: HCI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [hci, ux, human-factors, interaction-design, cognitive-psychology]
+last_reinforced: 2026-04-26
+---
+
+# [[Human-Computer Interaction (HCI, 인간-컴퓨터 상호작용)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "기계의 언어를 인간에게 강요하지 말고, 기계가 인간의 맥락과 감각을 학습하게 하라" — 인간과 컴퓨터 시스템 사이의 대화와 상호작용을 연구하여, 기술이 인간의 능력을 확장하고 사용 경험을 최적화하도록 만드는 다학제적 분야.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "User-Centered Design (UCD)" — 기술적 구현 가능성보다 사용자의 인지 모델, 심리 상태, 그리고 작업 맥락을 최우선으로 고려하여 인터페이스와 경험을 설계하는 인간 중심의 엔지니어링 패턴.
+- **주요 연구 영역:**
+    - **Interface Design:** 시각적(GUI), 음성(VUI), 제스처, 뇌-컴퓨터 인터페이스(BCI).
+    - **Usability:** 효율성, 학습 용이성, 오류 방지, 사용 만족도 측정.
+    - **Accessibility:** 모든 사용자가 제약 없이 기술을 누릴 수 있도록 보장.
+    - **Emotional Interaction:** 기계와의 상호작용 중 발생하는 감정적 교감과 신뢰 형성.
+- **의의:** AI가 고도화될수록 '무엇을 할 수 있는가'보다 '인간과 어떻게 협업할 것인가'가 중요해지며, HCI는 그 연결고리를 제공함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 일방적인 명령 전달(CLI/GUI)에서 벗어나, 에이전트가 인간의 비언어적 맥락까지 파악하여 선제적으로 대응하는 지능형 상호작용으로 패러다임이 전이됨.
+- **정책 변화:** Antigravity 프로젝트의 모든 에이전트 상호작용은 HCI 원칙을 기반으로 하며, 사용자의 대화 패턴과 작업 속도를 분석하여 에이전트의 응답 톤과 속도를 최적화하는 어댑티브 UI를 지향함.
+
+## 🔗 지식 연결 (Graph)
+- [[UX-Design]], [[Gestalt-Principles-in-UX]], [[Human-in-the-loop-AI]], [[Context-Aware-Computing]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Human-Computer-Interaction-HCI.md]]
@@ -0,0 +1,28 @@
+---
+id: HITL-AI-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [ai, human-in-the-loop, ai-ethics, model-training, decision-making]
+last_reinforced: 2026-04-26
+---
+
+# [[Human-in-the-loop AI (인간 참여형 AI)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "AI의 폭발적인 속도와 인간의 정교한 판단력을 결합하여, 결점 없는 지능 시스템을 완성하라" — 인공지능의 학습, 테스트, 실제 운영 단계에 인간의 개입(피드백, 교정, 검증)을 통합하여 모델의 성능을 고도화하고 윤리적 안정성을 확보하는 아키텍처.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** AI가 확신하기 어려운 모호한 케이스(Uncertainty)를 인간 전문가에게 전달하여 판단을 받고, 그 결과가 다시 모델의 학습 데이터로 활용되는 선순환 피드백 루프 패턴.
+- **주요 활용 단계:**
+    - **Training:** 인간이 고품질의 레이블 데이터를 생성하거나 RLHF(인간 피드백 기반 강화학습)를 통해 가이드를 제공.
+    - **Active Learning:** 모델이 가장 도움이 될 것 같은 데이터를 직접 골라 인간에게 질문.
+    - **Deployment:** AI가 내린 최종 결정을 인간이 검토하거나(Review), 위험도가 높은 결정은 반드시 인간의 승인을 거치게 함(Human Approval).
+- **의의:** AI의 블랙박스 문제를 해결하고, 책임 있는 의사결정이 필요한 분야(의료, 법률, 자율주행)에서 AI의 도입을 가능하게 함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 완전 자동화만이 기술적 진보라는 편견에서 벗어나, 인간의 개입이 지능 시스템의 품질을 결정하는 핵심 요소임을 재발견함.
+- **정책 변화:** Antigravity 프로젝트의 지식 가드닝 작업은 '인간 참여형' 구조를 기본으로 함. 에이전트가 초안을 작성하고 보강하되, 최종적인 승인과 트래커 업데이트 과정에서 인간과의 상호작용을 통해 지식의 무결성을 유지함.
+
+## 🔗 지식 연결 (Graph)
+- [[Reinforcement-Learning-from-Human-Feedback-RLHF]], [[Active-Learning]], [[AI-Ethics]], [[Trustworthy-AI]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Human-in-the-loop-AI.md]]
@@ -0,0 +1,29 @@
+---
+id: CLOUD-HYBRID-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [cloud-computing, hybrid-cloud, infrastructure, system-architecture, data-sovereignty]
+last_reinforced: 2026-04-26
+---
+
+# [[Hybrid Cloud Architectures (하이브리드 클라우드 아키텍처)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 주권(Private)은 지키고, 연산의 확장성(Public)은 빌려 써서 최적의 비즈니스 지형을 구축하라" — 온프레미스 인프라와 공용 클라우드 서비스를 통합하여, 보안과 비용 효율성 그리고 유연한 확장성을 동시에 달성하는 인프라 설계 전략.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 민감한 핵심 데이터와 보안 로직은 로컬 인프라(Private)에 두고, 일시적인 부하 증가나 대규모 연산이 필요한 작업은 공용 클라우드(Public)의 자원을 즉시 끌어다 쓰는 오케스트레이션 패턴.
+- **주요 활용 시나리오:**
+    - **Cloud Bursting:** 예기치 못한 트래픽 폭증 시 클라우드 자원으로 확장.
+    - **Data Sovereignty:** 법적 규제나 보안상의 이유로 특정 데이터는 로컬에 유지.
+    - **Disaster Recovery:** 로컬 장애 시 클라우드 기반의 백업 시스템으로 즉시 전환.
+- **핵심 기술:** VPN, 전용선(Direct Connect), 컨테이너(Kubernetes), 멀티 클라우드 관리 플랫폼.
+- **의의:** 고정 자산의 효율적 운영과 클라우드의 탄력성을 결합하여 IT 인프라의 ROI를 극대화함.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** "클라우드로의 전면 전환(All-in Cloud)"이 정답이라 믿던 시대를 지나, 보안과 실시간성을 위해 로컬 자원을 병행하는 하이브리드 전략이 현실적인 최선책으로 재정립됨.
+- **정책 변화:** Antigravity 프로젝트는 '하이브리드 지능'을 지향함. 사용자의 개인화된 지식은 로컬 브레인에 저장하고, 방대한 범용 지식 검색이나 거대 모델 연산은 클라우드 브레인을 활용하는 하이브리드 아키텍처를 표준으로 함.
+
+## 🔗 지식 연결 (Graph)
+- [[High-Availability-Systems]], [[System-Design-for-AI-Scale]], [[Cloud-Security-Mastery]], [[Local-Brain-Management]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Hybrid-Cloud-Architectures.md]]
@@ -1,28 +1,29 @@
 ---
-id: HYPER-OPT-001
+id: OPT-HYPER-001
 category: "[[10_Wiki/💡 Topics/AI]]"
 confidence_score: 1.0
-tags: [machine-learning, optimization, automl, deep-learning]
+tags: [ai, machine-learning, hyperparameter-tuning, bayesian-optimization, model-selection]
 last_reinforced: 2026-04-26
 ---

 # [[Hyperparameter Optimization (하이퍼파라미터 최적화)]]

 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "모델의 성능을 결정짓는 '튜닝 레버'들의 최적 조합을 찾아라" — 학습률, 배치 크기, 레이어 수 등 학습 과정에서 자동으로 학습되지 않는 설정값(Hyperparameters)들을 체계적으로 탐색하여 성능을 극대화하는 과정.
+> "모델 아키텍처가 악기라면, 하이퍼파라미터 최적화는 가장 아름다운 소리를 내기 위해 현을 조율하는 과정이다" — 학습률, 배치 크기, 레이어 수 등 모델이 스스로 학습할 수 없는 외부 설정값들의 최적 조합을 찾아 모델 성능을 극대화하는 프로세스.

 ## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 주어진 데이터와 모델 구조에서 최상의 결과를 내는 매개변수 조합을 탐색(Exploration)과 활용(Exploitation)의 균형을 통해 효율적으로 찾아내는 패턴.
- **세부 내용:**
-    - **Grid Search:** 모든 가능한 조합을 격자 형태로 전수 조사. 확실하지만 비용이 매우 높음.
-    - **Random Search:** 파라미터 공간을 무작위로 샘플링. Grid Search보다 효율적임이 증명됨.
-    - **Bayesian Optimization:** 이전 시도의 결과를 바탕으로 확률 모델을 구축하여 유망한 영역을 집중 탐색 (예: Gaussian Processes 활용).
-    - **Hyperband:** 리소스를 적게 할당해 많은 후보를 테스트한 뒤, 유망한 후보에게만 더 많은 리소스를 할당하는 효율적 전략.
+- **추출된 패턴:** 탐색 공간(Search Space) 내에서 모델의 성능을 평가 지표로 삼아, 가장 효율적인 경로로 최적의 파라미터 조합을 찾아가는 탐색 및 최적화 패턴.
+- **주요 전략:**
+    - **Grid Search:** 가능한 모든 조합을 시도. 확실하지만 연산 비용이 매우 높음.
+    - **Random Search:** 무작위로 조합을 시도. 그리드 서치보다 효율적이며 중요한 파라미터 탐색에 유리.
+    - **Bayesian Optimization:** 이전 시도 결과를 바탕으로 다음 유망한 지점을 예측하여 탐색 (가장 고도화된 방식).
+    - **Hyperband / BOHB:** 조기 종료(Early Stopping)와 베이지안 최적화를 결합하여 자원을 효율적으로 배분.
+- **의의:** 동일한 아키텍처라도 하이퍼파라미터 설정에 따라 성능 차이가 크게 발생하므로, 실전 AI 개발에서 '모델링'만큼이나 중요한 단계.

 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 장인의 '경험'에 의존하던 수동 튜닝에서, 알고리즘이 자동으로 최적값을 찾는 AutoML(Automated Machine Learning) 시대로 전환.
- **정책 변화:** Antigravity 에이전트의 내부 모델 튜닝 시, 베이지안 최적화를 기본 알고리즘으로 채택하여 최소한의 시도로 최적의 추론 온도를 결정함.
+- **과거 데이터와의 충돌:** 개발자의 직관이나 수작업 튜닝에 의존하던 방식에서, 이제는 AutoML 기술을 통해 최적화 과정 자체를 자동화하는 방향으로 진화.
+- **정책 변화:** Antigravity 프로젝트는 에이전트의 응답 품질 최적화를 위해 Temperature, Top-p 등의 파라미터를 베이지안 최적화 기반으로 튜닝하여 정교한 페르소나를 구축함.

 ## 🔗 지식 연결 (Graph)
- [[AutoML]], [[Gaussian-Processes]], [[Machine-Learning-Lifecycle]], [[Deep-Learning]]
+- [[Black-Box-Optimization]], [[Gaussian-Processes]], [[Global-vs-Local-Optima]], [[Generalization-in-AI]]
 - **Raw Source:** [[10_Wiki/Topics/AI/Hyperparameter-Optimization.md]]
@@ -0,0 +1,29 @@
+---
+id: MATH-HYPO-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [statistics, math, hypothesis-testing, p-value, data-science]
+last_reinforced: 2026-04-26
+---
+
+# [[Hypothesis Testing (가설 검정)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 증거를 토대로, 우리가 믿고 싶은 가설이 '우연'이라는 함정에 빠지지 않았는지 엄격하게 심판하라" — 표본 데이터를 통해 모집단의 특성에 대한 가설이 통계적으로 타당한지 계산하여, 의사결정의 불확실성을 수치화된 신뢰도로 치환하는 방법론.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "귀무가설(Null Hypothesis)"이라는 기본 전제를 세우고, 관측된 데이터가 이 전제 하에서 발생할 확률(p-value)이 매우 낮다면 귀무가설을 기각하고 "대립가설(Alternative Hypothesis)"을 채택하는 논리적 추론 패턴.
+- **핵심 요소:**
+    - **Null Hypothesis ($H_0$):** 효과나 차이가 없다는 기본 가설.
+    - **Alternative Hypothesis ($H_1$):** 증명하고 싶은 효과나 차이가 있다는 가설.
+    - **P-value:** 귀무가설이 맞다는 전제 하에 현재 데이터가 관측될 확률. 보통 0.05 미만일 때 유의미하다고 판단.
+    - **Type I & II Error:** 맞는데 틀리다고 하거나(Alpha), 틀린데 맞다고 하는(Beta) 오류의 관리.
+- **의의:** 주관적인 판단을 배제하고, 객관적인 지표를 통해 변화의 실효성을 증명하는 데이터 과학의 근간.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** p-value에만 과도하게 의존하는 'P-hacking'의 위험성을 경고하며, 최근에는 효과 크기(Effect Size)와 베이지안 가설 검정을 병행하는 방향으로 정밀도 강화.
+- **정책 변화:** Antigravity 프로젝트는 새로운 에이전트 알고리즘 도입 시, 기존 알고리즘과의 성능 차이를 가설 검정을 통해 통계적으로 증명한 후 배포를 결정하는 'Evidence-based Deployment' 원칙을 준수함.
+
+## 🔗 지식 연결 (Graph)
+- [[Probability-Theory]], [[Exploratory-Data-Analysis]], [[A-B-Testing-Foundations]], [[Decision-Making]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Hypothesis-Testing.md]]
@@ -0,0 +1,28 @@
+---
+id: CV-CLASS-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-vision, deep-learning, image-classification, cnn, vit]
+last_reinforced: 2026-04-26
+---
+
+# [[Image Classification Mastery (이미지 분류 마스터리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "픽셀의 뭉치에서 사물의 특징(Feature)을 추출하여, 기계가 세상을 명명(Labeling)하게 하라" — 입력 이미지를 미리 정의된 여러 카테고리 중 하나(또는 그 이상)로 분류하는 컴퓨터 비전의 핵심 태스크이자, 모든 시각 지능 시스템의 시작점.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 이미지의 국소적 특징(선, 면, 질감)을 하위 레이어에서 추출하고, 이를 상위 레이어에서 조합하여 사물의 고유한 형태를 인식하는 계층적 특징 학습 패턴.
+- **핵심 아키텍처:**
+    - **CNN (Convolutional Neural Networks):** 공간적 구조를 보존하며 특징을 추출하는 고전적 강자 (ResNet, EfficientNet).
+    - **Vision Transformer (ViT):** 이미지를 패치 단위로 나누어 어텐션 메커니즘을 적용, 전역적인 맥락 파악에 유리.
+    - **Transfer Learning:** 거대 데이터셋(ImageNet 등)으로 사전 학습된 모델을 활용하여 소량의 데이터로도 고성능 구현.
+- **의의:** 자율주행, 의료 영상 진단, 콘텐츠 필터링 등 이미지가 데이터로 사용되는 거의 모든 산업의 기반 기술.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 정적인 이미지를 분류하던 단계를 넘어, 이제는 텍스트와 이미지를 동시에 이해하는 멀티모달(CLIP 등) 모델을 통해 '문맥적 분류'가 가능한 시대로 진화.
+- **정책 변화:** Antigravity 프로젝트는 수집된 이미지 자료(`00_Raw/Images`)를 자동으로 인덱싱하고 위키 카테고리에 할당하기 위해 최신 ViT 기반의 분류 엔진을 상시 가동함.
+
+## 🔗 지식 연결 (Graph)
+- [[Object-Detection-Mastery]], [[Image-Segmentation-Techniques]], [[Deep-Learning-Foundations]], [[Computer-Vision-Mastery]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Image-Classification-Mastery.md]]
@@ -0,0 +1,29 @@
+---
+id: CV-SEG-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [computer-vision, deep-learning, image-segmentation, u-net, mask-rcnn]
+last_reinforced: 2026-04-26
+---
+
+# [[Image Segmentation Techniques (이미지 세그멘테이션 기법)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "단순히 무엇이 있는지 맞히는 것을 넘어, 사물의 경계를 픽셀 단위로 완벽하게 도려내어 세상을 분할하라" — 이미지 내의 모든 픽셀을 특정 클래스로 분류하여, 사물의 위치와 형태를 정교하게 파악하는 컴퓨터 비전 기술.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** "Encoder-Decoder" — 이미지의 특징을 압축하여 의미를 파악(Encoder)한 뒤, 이를 다시 원래 이미지 크기로 복원하며 픽셀별 레이블을 할당(Decoder)하는 복원 및 분류 패턴.
+- **주요 유형:**
+    - **Semantic Segmentation:** 같은 클래스에 속하는 사물들을 하나의 덩어리로 인식 (예: 모든 자동차를 '자동차'라는 하나의 영역으로 표시).
+    - **Instance Segmentation:** 같은 클래스라도 개별 사물을 서로 다르게 구분 (예: 자동차 A, 자동차 B를 각각 다른 개체로 인식).
+    - **Panoptic Segmentation:** 세맨틱과 인스턴스의 결합. 배경과 사물을 모두 완벽하게 분할.
+- **핵심 모델:** U-Net (의료 영상 특화), Mask R-CNN, DeepLab, SAM (Segment Anything Model).
+- **의의:** 정밀 로봇 제어, 자율주행의 장애물 회피, 배경 제거 및 합성 등 공간적 이해가 필수적인 모든 시각 기술의 정점.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 각 도메인별로 특화된 모델을 사용하던 방식에서, 메타의 SAM과 같이 어떤 이미지라도 추가 학습 없이 즉시 분할 가능한 '파운데이션 모델' 시대로 진화.
+- **정책 변화:** Skybound 프로젝트의 후처리 이펙트 및 정교한 충돌 판정 시스템은 픽셀 단위의 마스크 데이터를 생성하는 세그멘테이션 기법을 활용하여 시각적 완성도를 높임.
+
+## 🔗 지식 연결 (Graph)
+- [[Image-Classification-Mastery]], [[Object-Detection-Mastery]], [[Computer-Vision-Mastery]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Image-Segmentation-Techniques.md]]
@@ -0,0 +1,32 @@
+---
+id: ML-IMBAL-001
+category: "[[10_Wiki/💡 Topics/AI]]"
+confidence_score: 1.0
+tags: [machine-learning, imbalanced-data, resampling, smote, focal-loss]
+last_reinforced: 2026-04-26
+---
+
+# [[Imbalanced Data Handling (불균형 데이터 처리)]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "데이터의 양(Quantity)에 압도당하지 말고, 소외된 소수의 정보(Minority Class) 속에 숨겨진 가치에 집중하라" — 학습 데이터의 클래스 분포가 편향되어 있을 때, 모델이 다수 클래스에만 치우친 예측을 하지 않도록 데이터나 알고리즘 측면에서 균형을 맞추는 기법.
+
+## 📖 구조화된 지식 (Synthesized Content)
+- **추출된 패턴:** 다수 데이터의 영향력을 줄이거나 소수 데이터의 비중을 높여, 모델이 희귀하지만 중요한 샘플의 특징을 충분히 학습하게 만드는 가중치 및 샘플링 조정 패턴.
+- **핵심 전략:**
+    - **Data-level (Resampling):** 
+        - **Undersampling:** 다수 클래스 데이터를 삭제. 정보 손실 위험.
+        - **Oversampling:** 소수 클래스 데이터를 복제하거나 생성 (예: SMOTE - 합리적인 가상 데이터 생성).
+    - **Algorithm-level:**
+        - **Cost-sensitive Learning:** 소수 클래스를 틀렸을 때 더 큰 벌점을 부여.
+        - **Focal Loss:** 쉬운 샘플의 비중을 낮추고 어려운 샘플에 집중.
+- **평가 지표의 전환:** 불균형 데이터에서는 '정확도(Accuracy)' 대신 '정밀도(Precision)', '재현율(Recall)', 'F1-Score' 등을 사용하여 모델의 실질적인 성능을 측정해야 함.
+- **의의:** 이상 탐지, 질병 진단, 사기 적발 등 실생활에서 가장 중요한 '희귀 케이스' 탐지 능력 확보.
+
+## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
+- **과거 데이터와의 충돌:** 단순히 데이터를 늘리거나 줄이던 방식에서, 최근에는 [[Focal-Loss]]와 같은 손실 함수 최적화와 이상 탐지(Anomaly Detection) 관점의 접근이 주를 이룸.
+- **정책 변화:** Antigravity 프로젝트는 보안 로그 분석 시, 압도적으로 많은 '정상 접근' 사이에서 극소수의 '공격 징후'를 놓치지 않기 위해 SMOTE와 Cost-sensitive 앙상블 모델을 표준으로 사용함.
+
+## 🔗 지식 연결 (Graph)
+- [[Focal-Loss]], [[Supervised-Learning-Foundations]], [[Precision-Recall-and-F1-Score]], [[Deep-Learning-Foundations]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Imbalanced-Data-Handling.md]]