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 +1,134 @@
|
||||
---
|
||||
id: wiki-2026-0508-long-tail
|
||||
title: Long Tail
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Long-Tail Distribution, Power Law, Pareto, Heavy Tail]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [distribution, power-law, pareto, imbalance, recommendation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack: { language: Python, framework: numpy/scipy/pandas }
|
||||
---
|
||||
|
||||
# Long Tail
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 long-tail = 적은 head + 무수한 tail"**. 80/20이 아니라 50/50: tail의 합이 head만큼 크다.
|
||||
|
||||
## 매 핵심
|
||||
### 매 분포
|
||||
- **Power law**: P(x) ∝ x^(-α). α∈(2,3)이면 평균 유한, 분산 무한.
|
||||
- **Pareto**: P(X>x) = (x_m/x)^α. 부의 분포, 도시 인구.
|
||||
- **Zipf**: rank·frequency = const. 단어 빈도, 웹 페이지 인기.
|
||||
- **Lognormal**: log(X) ~ Normal. tail이 두꺼움.
|
||||
|
||||
### 매 비즈니스 (Anderson 2006)
|
||||
- 디지털 유통 비용 ↓ → tail item도 수익. Amazon, Netflix.
|
||||
- Head: 베스트셀러. Tail: niche. 합치면 head보다 큼.
|
||||
|
||||
### 매 ML 문제
|
||||
- **Long-tail classification**: head class 풍부, tail class 희소 (iNaturalist, ImageNet-LT).
|
||||
- **Cold-start / recommendation**: tail item에 interaction 부족.
|
||||
- **Search/IR**: tail query (rare query)가 전체의 50%+.
|
||||
|
||||
### 매 대응 전략
|
||||
1. **Re-sampling**: oversample tail, undersample head
|
||||
2. **Re-weighting**: class-balanced loss (Cui 2019), focal loss
|
||||
3. **Decoupling** (Kang 2020): representation은 instance-balanced, classifier는 class-balanced
|
||||
4. **Logit adjustment**: log prior 보정
|
||||
5. **Two-stage**: head pretrain → tail finetune
|
||||
|
||||
## 💻 패턴
|
||||
### Power law fit (powerlaw 패키지)
|
||||
```python
|
||||
import powerlaw
|
||||
data = [...]
|
||||
fit = powerlaw.Fit(data)
|
||||
print(fit.alpha, fit.xmin)
|
||||
R, p = fit.distribution_compare("power_law", "lognormal")
|
||||
```
|
||||
|
||||
### Class imbalance 진단
|
||||
```python
|
||||
import pandas as pd
|
||||
counts = df["label"].value_counts()
|
||||
imbalance = counts.iloc[0] / counts.iloc[-1]
|
||||
# tail = labels with < median count
|
||||
tail = counts[counts < counts.median()].index
|
||||
```
|
||||
|
||||
### Class-balanced loss (Cui 2019)
|
||||
```python
|
||||
import torch, torch.nn.functional as F
|
||||
# effective number: (1-β^n)/(1-β)
|
||||
beta = 0.999
|
||||
eff_num = (1 - beta**counts) / (1 - beta)
|
||||
weights = 1.0 / eff_num
|
||||
weights = weights / weights.sum() * len(weights)
|
||||
loss = F.cross_entropy(logits, y, weight=torch.tensor(weights).float())
|
||||
```
|
||||
|
||||
### Logit adjustment
|
||||
```python
|
||||
# Menon 2021: subtract log prior at inference
|
||||
log_prior = torch.log(torch.tensor(class_freq / class_freq.sum()))
|
||||
adjusted_logits = logits - tau * log_prior
|
||||
pred = adjusted_logits.argmax(-1)
|
||||
```
|
||||
|
||||
### Resampling sampler
|
||||
```python
|
||||
from torch.utils.data import WeightedRandomSampler
|
||||
sample_weights = 1.0 / counts[df["label"]].values
|
||||
sampler = WeightedRandomSampler(sample_weights, len(df), replacement=True)
|
||||
loader = DataLoader(ds, batch_size=64, sampler=sampler)
|
||||
```
|
||||
|
||||
### Recommendation: tail boost
|
||||
```python
|
||||
# popularity-debiased: divide score by item popularity^gamma
|
||||
score_debiased = score / (item_popularity ** 0.5)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 가벼운 imbalance (10:1) | class weights, focal loss |
|
||||
| 심한 imbalance (100:1+) | class-balanced loss, decoupling |
|
||||
| Recommendation cold-start | content features, popularity debias |
|
||||
| Sales / inventory | Pareto 80/20 → ABC 분석 |
|
||||
| Search rare query | semantic retrieval, query expansion |
|
||||
|
||||
**기본값**: class-balanced CE → 안 되면 decoupling.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Class-Imbalance]]
|
||||
- 변형: [[Power-Law]], [[Pareto-Distribution]]
|
||||
- 응용: [[Recommendation-Systems]], [[Search-Ranking]]
|
||||
- Adjacent: [[Focal-Loss]], [[Sampling-Strategies]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: imbalance 진단, loss/sampler 선택 가이드, 비즈니스 사례.
|
||||
**언제 X**: 도메인별 tail 정의 (규제/매출 임계)는 도메인 전문가.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- Long-tail = imbalance라고 단순화 (분포 모양 vs class count)
|
||||
- Tail 무시하고 accuracy만 측정 (head에 편향)
|
||||
- Oversample만으로 해결 (overfit)
|
||||
- Pareto 80/20을 long-tail로 혼동 (정도가 다름)
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Anderson "The Long Tail", Cui 2019, Kang 2020 decoupling). 신뢰도 A.
|
||||
- 중복: 없음.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 매 prefix, ML imbalance 전략 추가 |
|
||||
Reference in New Issue
Block a user