refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,192 @@
|
||||
---
|
||||
id: wiki-2026-0508-inductive-bias
|
||||
title: Inductive Bias
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [inductive bias, prior, model assumption, no free lunch]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
verification_status: applied
|
||||
tags: [machine-learning, inductive-bias, prior, no-free-lunch, deep-learning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: ML Theory
|
||||
applicable_to: [Model Design, Architecture]
|
||||
---
|
||||
|
||||
# Inductive Bias
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 model 의 의 의 의 의 assumption 의 의 의 generalize"**. 매 No Free Lunch theorem (Wolpert): 매 매 algorithm 의 model 의 의 의 매 task 의 best. 매 modern: 매 transformer 의 inductive bias 의 의 의 weak — 매 scale 의 의 의 의 compensate.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 examples
|
||||
- **CNN**: 매 translation invariance, locality.
|
||||
- **RNN**: 매 sequence, temporal.
|
||||
- **Transformer**: 매 weak — 매 매 sufficient data 의 의 의 learn.
|
||||
- **GNN**: 매 graph structure, permutation invariance.
|
||||
- **Tree**: 매 axis-aligned splits.
|
||||
- **kNN**: 매 local smoothness.
|
||||
|
||||
### 매 trade-off
|
||||
- **Strong bias**: 매 small data 의 효율, 매 wrong domain 매 fail.
|
||||
- **Weak bias** (transformer): 매 large data 매 win, 매 small data 매 lose.
|
||||
|
||||
### 매 No Free Lunch
|
||||
- 매 average performance over 매 모든 problems 의 same.
|
||||
- 매 매 task 의 의 의 의 best algorithm.
|
||||
- 매 → 매 inductive bias 매 critical.
|
||||
|
||||
### 매 응용
|
||||
1. **Architecture choice**.
|
||||
2. **Transfer learning**.
|
||||
3. **Few-shot learning**.
|
||||
4. **Domain adaptation**.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### CNN inductive bias (translation)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
# 매 same kernel 의 매 location 의 적용
|
||||
conv = nn.Conv2d(3, 64, kernel_size=3, padding=1)
|
||||
# 매 translation invariance + locality
|
||||
```
|
||||
|
||||
### Transformer (weak bias)
|
||||
```python
|
||||
# 매 매 token pair 의 attention — 매 specific structure 의 X
|
||||
# 매 → 매 large pretrain data 의 의 의 compensate
|
||||
class Attention(nn.Module):
|
||||
def __init__(self, dim):
|
||||
super().__init__()
|
||||
self.q = nn.Linear(dim, dim)
|
||||
self.k = nn.Linear(dim, dim)
|
||||
self.v = nn.Linear(dim, dim)
|
||||
|
||||
def forward(self, x):
|
||||
return torch.softmax(self.q(x) @ self.k(x).T, -1) @ self.v(x)
|
||||
```
|
||||
|
||||
### GNN (graph + permutation invariance)
|
||||
```python
|
||||
# 매 message passing — 매 node order independent
|
||||
class GNNLayer:
|
||||
def forward(self, x, edge_index):
|
||||
# 매 매 node 의 매 neighbor 의 aggregate (sum/mean)
|
||||
return aggregate_neighbors(x, edge_index)
|
||||
```
|
||||
|
||||
### Strong vs weak bias (data regime)
|
||||
```python
|
||||
def model_for_data_size(n):
|
||||
if n < 1000:
|
||||
return 'tree-based' # 매 strong inductive bias
|
||||
if n < 100000:
|
||||
return 'classical ML or small CNN'
|
||||
if n < 10_000_000:
|
||||
return 'CNN / RNN'
|
||||
return 'transformer' # 매 매 weak bias 의 의 의 의 의 의 win
|
||||
```
|
||||
|
||||
### Transfer learning (use pretrained bias)
|
||||
```python
|
||||
from torchvision.models import resnet50
|
||||
model = resnet50(pretrained=True)
|
||||
# 매 freeze backbone (use ImageNet bias)
|
||||
for p in model.parameters(): p.requires_grad = False
|
||||
# 매 fine-tune classifier
|
||||
model.fc = nn.Linear(2048, n_classes)
|
||||
```
|
||||
|
||||
### Encode bias as constraint
|
||||
```python
|
||||
# 매 monotonic prediction (e.g., income ↑ → spend ↑)
|
||||
class MonotonicNN(nn.Module):
|
||||
def __init__(self):
|
||||
super().__init__()
|
||||
self.weights = nn.Parameter(torch.randn(...))
|
||||
|
||||
def forward(self, x):
|
||||
# 매 abs of weights → 매 monotonic
|
||||
return x @ torch.abs(self.weights)
|
||||
```
|
||||
|
||||
### Symmetry-aware network
|
||||
```python
|
||||
# 매 E(n)-equivariant for molecule
|
||||
class EGNN(nn.Module):
|
||||
def forward(self, x, pos, edge_index):
|
||||
# 매 rotation / translation invariance built in
|
||||
...
|
||||
```
|
||||
|
||||
### Probing inductive bias
|
||||
```python
|
||||
def small_data_eval(model, train_sizes=[100, 1000, 10000]):
|
||||
"""매 small data 의 의 의 model 의 generalize?"""
|
||||
perf = {}
|
||||
for n in train_sizes:
|
||||
m = train(model, X_train[:n], y_train[:n])
|
||||
perf[n] = evaluate(m, X_test, y_test)
|
||||
return perf # 매 strong bias model 매 small n 의 win
|
||||
```
|
||||
|
||||
### Architecture search (inductive bias picker)
|
||||
```python
|
||||
def pick_architecture(data_features):
|
||||
if data_features['has_spatial_structure']: return 'CNN'
|
||||
if data_features['is_graph']: return 'GNN'
|
||||
if data_features['is_sequence_long']: return 'Transformer'
|
||||
if data_features['is_tabular']: return 'XGBoost'
|
||||
```
|
||||
|
||||
### Synthetic + real (mix biases)
|
||||
```python
|
||||
def hybrid_train(synthetic_data, real_data):
|
||||
"""매 synthetic data 매 strong bias, 매 real data 매 fine-tune."""
|
||||
pretrain(model, synthetic_data)
|
||||
finetune(model, real_data)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Bias |
|
||||
|---|---|
|
||||
| Small data | Strong (tree, kNN) |
|
||||
| Image | CNN (translation) |
|
||||
| Sequence | RNN / Transformer |
|
||||
| Graph | GNN |
|
||||
| Tabular | Tree |
|
||||
| Big data + flexible | Transformer |
|
||||
| Symmetry-aware | Equivariant NN |
|
||||
|
||||
**기본값**: 매 task structure 의 match 의 inductive bias + 매 large data 의 의 의 weak bias 의 OK + 매 small data 의 의 strong bias 의 critical.
|
||||
|
||||
## 🔗 Graph
|
||||
- 변형: [[No-Free-Lunch]]
|
||||
- Adjacent: [[Generalization-in-AI]] · [[Foundation-Models]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 model design. 매 small data. 매 transfer.
|
||||
**언제 X**: 매 toy.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Wrong bias for task**: 매 image 매 dense MLP.
|
||||
- **Always weak bias**: 매 small data 의 fail.
|
||||
- **Ignore symmetry**: 매 sample efficiency lose.
|
||||
- **No transfer for small data**: 매 reinvent.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Wolpert NFL, Mitchell ML).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — bias + 매 CNN/Transformer/GNN / NFL / arch picker code |
|
||||
Reference in New Issue
Block a user