[G1-Sync] Manual knowledge update

10_Wiki/Topics/PEFT (Parameter-Efficient Fine-Tuning).md

@@ -1,12 +1,12 @@
 ---
-id: P-REINFORCE-AUTO-PEFT-001
+id: [[P-Reinforce]]-AUTO-PEFT-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.98
-tags: [auto-reinforced, llm, fine-tuning, efficiency, adapters]
+tags: [auto-reinforced, llm, [[Fine-tuning]], [[Efficiency]], adapters]
 last_reinforced: 2026-04-20
 ---
 
-# [[PEFT (Parameter-Efficient Fine-Tuning)]]
+# [[PEFT ([[Parameter]]-Efficient Fine-Tuning)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "전봇대를 다 바꾸는 대신 전구만 바꾼다: 거대 모델의 전체 파라미터를 건드리지 않고, 극히 일부(1% 미만)만 학습시켜 하드웨어 부담 없이 전문 지식을 주입하는 효율 극대화 기술."
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
 매개변수 효율적 미세 조정(PEFT)은 거대 언어 모델(LLM)을 특정 작업에 맞춰 최적화할 때, 전체 가중치를 업데이트하는 대신 소량의 추가 파라미터만 학습시키는 방법론입니다.
 
 1.  **주요 기법**:
-    *   **LoRA (Low-Rank Adaptation)**: 가중치 행렬의 변화량을 낮은 차원의 두 행렬(A, B)로 분해하여 학습. 가장 대중적인 기법으로 연산량과 메모리를 획기적으로 절감.
+    *   **[[LoRA (Low-Rank Adaptation)]]**: 가중치 행렬의 변화량을 낮은 차원의 두 행렬(A, B)로 분해하여 학습. 가장 대중적인 기법으로 연산량과 메모리를 획기적으로 절감.
     *   **Adapters**: 기존 모델 레이어 사이에 작은 신경망(Adapter)을 끼워 넣어 해당 부분만 학습.
-    *   **Prompt Tuning / Prefix Tuning**: 모델 입력 앞단에 학습 가능한 가상의 '소프트 프롬프트' 벡터를 추가하여 튜닝.
+    *   **[[prompt]] Tuning / Prefix Tuning**: 모델 입력 앞단에 학습 가능한 가상의 '소프트 프롬프트' 벡터를 추가하여 튜닝.
 2.  **핵심 이점**:
     *   **GPU 메모리 절약**: 하이엔드 서버 없이도 소비자용 GPU에서 거대 모델 튜닝 가능.
     *   **파라미터 사일로 방지**: 각 작업마다 거대 모델을 통째로 저장할 필요 없이, 작은 PEFT 모듈(체크포인트)만 저장하여 교체하며 사용 가능.