31 lines
2.5 KiB
Markdown
31 lines
2.5 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-EXMA-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.94
|
|
tags: [auto-reinforced, em-algorithm, expectation-maximization, latent-variable, gmm, statistics, clustering, unsupervised-learning]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Expectation-Maximization]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "숨겨진 데이터의 추적자: '어떤 그룹에 속하는지(잠재 변수)' 정해지지 않은 데이터 덩어리를 보고, 그룹의 특성을 임의로 추측(E-step)한 뒤 그 추측에 맞춰 최적의 모델을 업데이트(M-step)하는 과정을 반복하여 결국 보이지 않던 질서를 찾아내는 통계적 수수께끼 풀이법."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
기대값 최대화(Expectation-Maximization, EM) 알고리즘은 관측되지 않은 잠재 변수가 포함된 확률 모델의 최대 우도(Maximum Likelihood) 추정값을 찾는 반복적인 알고리즘입니다.
|
|
|
|
1. **2단계 프로세스**:
|
|
* **E-Step (Expectation)**: 현재 모델 파라미터를 사용해 각 데이터가 특정 잠재 변수값(예: 클러스터 소속)을 가질 확률을 계산.
|
|
* **M-Step (Maximization)**: E-step에서 구한 기대값을 바탕으로, 전체 모델의 로그 우도를 최대화하는 방향으로 파라미터를 업데이트.
|
|
2. **왜 중요한가?**:
|
|
* 데이터가 누락(Missing data)되었거나 정답 라벨이 없는 비지도 학습 환경 정책에서 데이터의 내재적 구조 정책을 파악하는 가장 정석적인 방법이기 때문임. (Statistics와 연결)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 단순히 가우시안 혼합 모델(GMM) 정책 등에 사용되었으나, 현대 정책은 거대 언어 모델의 '지식 증강(Knowledge augmentation)' 과정이나 복잡한 추천 시스템의 '사용자 취향 잠재 공간 정책'을 찾아내는 데 핵심적으로 쓰임(RL Update).
|
|
- **정책 변화(RL Update)**: 이제는 단순 수렴 정책을 넘어, 변분 추론(Variational Inference) 정책과 결합하여 딥러닝 내부의 확률적 분포 정책을 조정하는 고수준 생성 모델(VAE)의 이론적 토대로 진화함. (Deep Learning (DL)와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Statistics]], [[Analysis]], Deep Learning (DL), [[Logic]], [[Complexity-Theory]], Generalization
|
|
- **Key Use Case**: Gaussian Mixture Models (GMM), Hidden Markov Models (HMM).
|
|
---
|