[G1-Sync] Manual knowledge update

10_Wiki/Topics/Normalization-Strategies.md

@@ -2,7 +2,7 @@
 id: DL-NORM-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [ai, deep-learning, normalization, batch-norm, layer-norm, training-stability]
+tags: [ai, [[Deep-Learning]], [[Normalization]], batch-norm, layer-norm, training-[[Stability]]]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "데이터의 날것 그대로의 요동을 차분히 길들여, 신경망이 혼란 없이 최적의 길(Gradient)을 찾도록 하라" — 신경망 내부의 데이터 분포를 일정하게 유지함으로써 학습 속도를 높이고 기울기 소실/폭주 문제를 완화하여 모델의 수렴 안정성을 극대화하는 기법.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Distribution Realignment and Internal Covariate Shift Mitigation" — 각 층을 통과하며 변하는 데이터의 평균과 분산을 특정 범위(보통 평균 0, 분산 1)로 강제로 조정하여, 후속 레이어들이 안정적인 입력 데이터 분포를 바탕으로 학습에만 집중하게 만드는 패턴.
+- **추출된 패턴:** "Distribution Re[[Alignment]] and Internal Covariate [[Shift]] Mitigation" — 각 층을 통과하며 변하는 데이터의 평균과 분산을 특정 범위(보통 평균 0, 분산 1)로 강제로 조정하여, 후속 레이어들이 안정적인 입력 데이터 분포를 바탕으로 학습에만 집중하게 만드는 패턴.
 - **주요 전략:**
     - **Batch Normalization:** 미니 배치 단위의 통계량을 사용하여 정규화. CNN 등 일반적인 딥러닝에서 매우 효과적.
     - **Layer Normalization:** 각 데이터 샘플 내의 모든 특징을 기준으로 정규화. 시퀀스 데이터와 Transformer 아키텍처의 표준.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 대규모 언어 모델 학습 및 추론 시, 연산 효율과 안정성이 입증된 Pre-Layer Normalization 아키텍처를 기본 사양으로 적용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Layer-Normalization]], Batch-Normalization-Exploration, Deep-Learning-Foundations, Gradient-Descent-Foundations
+- [[Layer-Normalization]], Batch-Normalization-Exploration, Deep-Learning-Foundations, [[Gradient-Descent]]-Foundations
 - **Raw Source:** 10_Wiki/Topics/AI/Normalization-Strategies.md