---
id: LOSS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [math, deep-learning, loss-function, information-theory, cross-entropy]
last_reinforced: 2026-04-26
---

# Cross-Entropy Loss (교차 엔트로피 손실)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "모델의 예측 분포와 실제 정답 분포 사이의 거리(놀람의 정도)를 측정하여 좁혀라" — 정보 이론의 엔트로피 개념을 빌려와, 모델이 출력한 확률 분포가 정답 분포와 얼마나 다른지를 수치화한 손실 함수로 분류 문제의 표준.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 정답 클래스에 대해 모델이 낮은 확률을 줄수록 더 큰 페널티를 부여하여, 모델이 정답에 대해 확신을 갖도록 유도하는 확률 정렬 패턴.
- **수학적 의미:**
    - **Entropy:** 시스템의 불확실성/정보량 측정.
    - **KL Divergence:** 두 확률 분포 사이의 차이 측정.
    - **Cross-Entropy:** $H(p, q) = -\sum p(x) \log q(x)$. 정답 분포($p$)와 예측 분포($q$) 사이의 유사도 측정.
- **특징:** 로그 함수를 사용하여 예측이 틀릴수록 손실값이 기하급수적으로 커짐. 이를 통해 경사 하강법 시 가중치를 강력하게 업데이트함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순한 오차 제곱합(MSE)을 분류 문제에 쓰던 방식보다 훨씬 빠른 수렴 속도와 높은 성능을 보임이 입증되며 사실상의 표준이 됨.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 문서 분류 및 의도 인식 모델 학습 시 교차 엔트로피 손실 함수를 기본으로 사용하며, 클래스 불균형 해결을 위해 Focal Loss 등 변형 기법을 함께 검토함.

## 🔗 지식 연결 (Graph)
- [[Objective-Functions]], [[Gradient-Descent]], Machine-Learning, [[Deep-Learning]]
- **Raw Source:** 10_Wiki/Topics/AI/Cross-Entropy Loss.md