[G1-Sync] Manual knowledge update

10_Wiki/Topics/Loss Functions.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-LOFU-001
+id: [[P-Reinforce]]-AUTO-LOFU-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.98
-tags: [auto-reinforced, loss-functions, optimization, machine-learning, error-measurement, cost-function]
+tags: [auto-reinforced, loss-functions, [[Optimization]], machine-learning, error-measurement, cost-function]
 last_reinforced: 2026-04-20
 ---
 
@@ -16,13 +16,13 @@ last_reinforced: 2026-04-20
 
 1.  **현실적인 사용 사례**:
     *   **Mean Squared Error (MSE)**: 수치 예측(Regression) 시 오차의 제곱을 평균 냄. (멀리 틀릴수록 벌금이 기하급수적으로 커짐)
-    *   **Cross-Entropy**: 분류(Classification) 시 정답 확률 분포와 모델 예측 분포의 차이를 측정. (Information-Entropy와 연결)
+    *   **Cross-Entropy**: 분류(Classification) 시 정답 확률 분포와 모델 예측 분포의 차이를 측정. ([[Information-Entropy]]와 연결)
 2.  **왜 중요한가?**:
-    *   손실 함수의 형태에 따라 모델이 학습하는 방향과 성격이 결정되며, 이 함수의 경사를 따라가는 과정이 곧 학습(Training)이기 때문임. (Gradient-Descent와 연결)
+    *   손실 함수의 형태에 따라 모델이 학습하는 방향과 성격이 결정되며, 이 함수의 경사를 따라가는 과정이 곧 학습(Training)이기 때문임. ([[Gradient-Descent]]와 연결)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 '틀린 횟수'를 줄이는 정책에 그쳤으나, 현대 정책은 정답과의 수치적 거리뿐만 아니라 '답변의 질'이나 '인간의 선호도'를 손실 함수 정책에 반영함(RL Update). (DPO (Direct Preference Optimization)와 연결)
-- **정책 변화(RL Update)**: 단순히 오차를 줄이는 정책을 넘어, 모델이 너무 복잡해지는 것을 막기 위해 '벌칙항(Penalty term)'을 손실 함수에 추가하여 일반화 성능을 높이는 정규화 정책이 필수화됨. (L2-Regularization와 연결)
+- **과거 데이터와의 충돌**: 과거에는 단순히 '틀린 횟수'를 줄이는 정책에 그쳤으나, 현대 정책은 정답과의 수치적 거리뿐만 아니라 '답변의 질'이나 '인간의 선호도'를 손실 함수 정책에 반영함(RL Update). ([[DPO (Direct P[[Reference]] Optimization)]]와 연결)
+- **정책 변화(RL Update)**: 단순히 오차를 줄이는 정책을 넘어, 모델이 너무 복잡해지는 것을 막기 위해 '벌칙항(Penalty term)'을 손실 함수에 추가하여 일반화 성능을 높이는 정규화 정책이 필수화됨. ([[L2-Regularization]]와 연결)
 
 ## 🔗 지식 연결 (Graph)
 - [[Gradient-Descent]], [[Optimization]], [[Information-Entropy]], [[L2-Regularization]], [[DPO (Direct Preference Optimization)]]