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

10_Wiki/Topics/AI/GAN.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]]