[G1-Sync] Manual knowledge update

10_Wiki/Topics/L2-Regularization.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-L2RE-001
+id: [[P-Reinforce]]-AUTO-L2RE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.97
-tags: [auto-reinforced, l2-regularization, machine-learning, deep-learning, overfitting, weight-decay]
+tags: [auto-reinforced, l2-[[Regularization]], machine-learning, [[Deep-Learning]], [[Overfitting]], weight-decay]
 last_reinforced: 2026-04-20
 ---
 
@@ -16,13 +16,13 @@ L2 정규화(L2-Regularization) 혹은 Ridge 정규화는 모델의 복잡도를
 
 1.  **수학적 원리**:
     *   손실 함수(Loss Function)에 모든 가중치 제곱의 합($\sum w^2$)을 더함.
-    *   가중치 $w$가 커질수록 손실값도 커지므로, 학습 과정에서 자연스럽게 가중치를 작은 값으로 유지함. (Gradient-Descent와 연결)
+    *   가중치 $w$가 커질수록 손실값도 커지므로, 학습 과정에서 자연스럽게 가중치를 작은 값으로 유지함. ([[Gradient-Descent]]와 연결)
 2.  **효과**:
     *   특정 데이터 포인트에 지나치게 민감하게 반응하는 것을 방지하여, 처음 보는 데이터에도 잘 작동하는 '일반화 성능' 향상.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌**: 과거에는 복잡한 수식 증명 정책 위주였으나, 현대 정책은 실제 성능 향상을 위해 '가중치 감쇠(Weight Decay) 정책'이라는 이름으로 모든 최적화 알고리즘(AdamW 등)에 기본 내장 정책으로 사용됨(RL Update).
-- **정책 변화(RL Update)**: 거대 모델 정책(Foundation-Models)에서는 파라미터가 너무 많아 정규화가 필수적이지만, 단순히 가중치를 줄이는 것을 넘어 '드롭아웃(Dropout)'이나 '데이터 증강' 등 다양한 정책과 혼합하여 사용됨.
+- **정책 변화(RL Update)**: 거대 모델 정책([[Foundation-Models]])에서는 파라미터가 너무 많아 정규화가 필수적이지만, 단순히 가중치를 줄이는 것을 넘어 '드롭아웃(Dropout)'이나 '데이터 증강' 등 다양한 정책과 혼합하여 사용됨.
 
 ## 🔗 지식 연결 (Graph)
 - [[Gradient-Descent]], [[Optimization]], Deep Learning (DL), [[Efficiency]], Scaling-Laws