[G1-Sync] Manual knowledge update

10_Wiki/Topics/Outlier-Detection-Techniques.md

@@ -2,7 +2,7 @@
 id: ML-OUT-DET-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [machine-learning, outlier-detection, anomaly-detection, statistics, isolation-forest, data-quality]
+tags: [machine-learning, outlier-detection, [[Anomaly-Detection]], [[Statistics]], isolation-forest, data-quality]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "대다수의 흐름에서 벗어난 소수의 '튀는 데이터'를 식별하여, 시스템의 오류를 미연에 방지하거나 숨겨진 위협을 포착하라" — 데이터 전체의 통계적 경향성에서 크게 벗어나 데이터의 질을 떨어뜨리거나 부정적 이벤트를 암시하는 이상치(Outliers)를 탐색하는 방법론.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Deviation and Isolation Analysis" — 정상 데이터가 밀집된 영역을 정의하고 그 밖의 데이터를 찾거나(Z-score, IQR), 정상 데이터보다 훨씬 적은 횟수의 질문만으로도 고립(Isolation)되는 데이터를 이상치로 분류하는 패턴.
+- **추출된 패턴:** "Deviation and Isolation [[Analysis]]" — 정상 데이터가 밀집된 영역을 정의하고 그 밖의 데이터를 찾거나(Z-score, IQR), 정상 데이터보다 훨씬 적은 횟수의 질문만으로도 고립(Isolation)되는 데이터를 이상치로 분류하는 패턴.
 - **주요 기법:**
     - **Statistical:** Z-score(표준편차 활용), IQR(사분위수 활용). 정규분포를 가정할 때 효과적.
     - **Distance-based (KNN):** 주변 이웃과의 거리가 먼 데이터를 이상치로 판단.
@@ -25,5 +25,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 연산 리소스 사용량이 평소 분포를 크게 벗어날 때, Isolation Forest 기반의 이상 탐지 엔진을 가동하여 비정상적인 루프나 해킹 시도를 실시간으로 차단함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Out-of-distribution-Detection]], [[Pre-processing-Data-for-AI]], Clustering-Algorithms-Foundations, [[High-Availability-Systems]]
+- [[Out-of-distribution-Detection]], [[Pre-[[Processing]]-Data-for-AI]], Clustering-Algorithms-Foundations, [[High-Availability-Systems]]
 - **Raw Source:** 10_Wiki/Topics/AI/Outlier-Detection-Techniques.md