[G1-Sync] Manual knowledge update

10_Wiki/Topics/Target-Function-Profiling.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-TFPR-001
+id: [[P-Reinforce]]-AUTO-TFPR-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.94
-tags: [auto-reinforced, optimization, metrics, goal-alignment, profiling, objective-function]
+tags: [auto-reinforced, [[Optimization]], metrics, [[goal]]-[[Alignment]], profiling, objective-function]
 last_reinforced: 2026-04-20
 ---
 
@@ -15,9 +15,9 @@ last_reinforced: 2026-04-20
 대상 함수 프로파일링(Target-Function-Profiling)은 최적화하고자 하는 핵심적인 목적 함수(Objective Function)나 타겟 함수에 영향을 미치는 변수들의 기여도와 특성을 정밀하게 분석하는 기법입니다.
 
 1.  **프로파일링 요소**:
-    *   **Sensitivity Analysis**: 어떤 변수의 변화가 타겟 함수의 값을 가장 민감하게 흔드는가?
+    *   **Sensitivity [[Analysis]]**: 어떤 변수의 변화가 타겟 함수의 값을 가장 민감하게 흔드는가?
     *   **Landscape Analysis**: 함수의 형상이 매끄러운가(Convex), 아니면 곳곳에 함정(Local Minima)이 많은 험난한 지형인가?
-    *   **Constraints Check**: 타겟이 달성해야 할 물리적, 논리적 한계 조건(Boundaries) 설정.
+    *   **Constraints Check**: 타겟이 달성해야 할 물리적, 논리적 한계 조건([[Boundaries]]) 설정.
 2.  **시스템 최적화에서의 역할**:
     *   무작정 최적화 알고리즘(예: SGD)을 돌리기 전에, 타겟의 수단과 방법을 명확히 함으로써 '엉뚱한 최적화(Reward Hacking)' 방지.
     *   **Multi-objective Balancing**: 여러 상충하는 타겟들 사이의 비중(Weights)을 동적으로 조율.
@@ -30,6 +30,6 @@ last_reinforced: 2026-04-20
 - **정책 변화(RL Update)**: AI 모델의 성능 지표 수립 시, 단순히 정확도(Accuracy)라는 타겟을 넘어 공정성(Fairness)과 설명 가능성(Explainability)을 타겟 함수의 필수 프로파일링 항목으로 포함시키는 '다차원 평가지표 수립 정책'이 상설 운영됨.
 
 ## 🔗 지식 연결 (Graph)
-- [[Sensitivity-Analysis]], [[Operations-Research]], [[Performance Management Systems]], [[Reinforcement Learning (RL)]], [[Ps-Reinforce]]
+- [[Sensitivity-Analysis]], [[Operations-Research]], [[Performance [[Management]][[ system]]s]], [[Reinforcement Learning (RL)]], [[Ps-Reinforce]]
 - **Modern Tech/Tools**: Profiling toolkits, Objective function visualizers, Python (Optuna, Hyperopt).
 ---