2nd/10_Wiki/Topics/Label-Noise-and-Robustness.md

---

id: ML-ROBUST-001 category: Unified confidence_score: 1.0 tags: [machine-learning, label-Noise, Robustness, robust-learning, data-quality] last_reinforced: 2026-04-26

Label Noise and Robustness (레이블 노이즈와 강건성)

📌 한 줄 통찰 (The Karpathy Summary)

"데이터의 거짓(Noise)에 현혹되지 말고, 다수의 일관된 증거 속에 숨겨진 진실된 패턴을 포착하라" — 훈련 데이터에 포함된 잘못된 레이블(정답)에도 불구하고, 모델이 일반화된 성능을 유지하며 실제 정답 분포를 올바르게 학습하게 만드는 기술.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "Noise-tolerance" — 손실 함수를 수정하여 특정 오차에 둔감하게 만들거나, 신뢰할 수 없는 샘플의 비중을 낮추어 정제되지 않은 데이터로부터 핵심 정보를 추출하는 방어적 학습 패턴.
• 주요 전략:
  • Robust Loss Functions: 평균 제곱 오차(MSE)보다 이상치에 강한 절대 오차(MAE)나 후버 손실(Huber Loss) 사용.
  • Sample Cleaning/Selection: 모델이 확신을 가지지 못하는 샘플을 잠재적 노이즈로 판단하여 제거하거나 가중치를 낮춤.
  • Label Smoothing: 정답을 1.0이라는 절대적 수치 대신 0.9 정도로 완화하여 모델의 과도한 확신을 억제.
• 의의: 완벽한 레이블링이 불가능한 대규모 실제 데이터셋(웹 크롤링 등) 환경에서 안정적인 AI 시스템을 구축하기 위한 필수 조건.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 깨끗한 데이터만이 정답이라는 결벽증적 사고에서 벗어나, 노이즈 섞인 방대한 데이터가 소량의 정제 데이터보다 지능 향상에 더 기여할 수 있음을 입증하는 방향으로 연구가 전개됨.
• 정책 변화: Antigravity 프로젝트는 비정형 로우 데이터(00_Raw)에서 지식을 자동 추출할 때, 추출 엔진 간의 불일치를 노이즈로 간주하고 다수결 및 신뢰도 기반 필터링을 통해 지식의 무결성을 확보함.

🔗 지식 연결 (Graph)

• Loss-Functions-Foundations, UnSupervised-Learning-Foundations, Supervised-Learning-Foundations, Generalization-in-AI
• Raw Source: 10_Wiki/Topics/AI/Label-Noise-and-Robustness.md