2nd/10_Wiki/Topics/AI/Global-vs-Local-Optima.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
OPT-GLO-LOC-001	10_Wiki/💡 Topics/AI	1.0	ai optimization mathematics global-optima local-optima	2026-04-26

Global Optima vs Local Optima (전역 최적해와 지역 최적해)

📌 한 줄 통찰 (The Karpathy Summary)

"눈앞의 작은 언덕(Local)에 만족하지 말고, 산맥 전체에서 가장 높은 봉우리(Global)를 향한 탐험을 멈추지 마라" — 최적화 문제에서 함수값이 주변보다 가장 좋지만 전체에서는 최선이 아닌 지점(Local)과, 전체 영역을 통틀어 가장 우수한 지점(Global) 사이의 격차와 이를 극복하기 위한 도전.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 최적화 과정에서 경사(Gradient)를 따라 내려가다 보면 움푹 패인 작은 구덩이(Local Minima)에 갇히기 쉬우며, 이를 탈출하여 가장 깊은 골짜기(Global Minima)를 찾기 위한 전략적 탐색 패턴.
• 핵심 차이점:
  • Local Optima: 특정 이웃 범위 내에서 최선의 해. 알고리즘이 더 이상 개선을 멈추기 쉬운 함정.
  • Global Optima: 문제의 전체 정의 구역에서 단 하나(혹은 그 이상) 존재하는 절대적 최적해.
• 지역 최적해 탈출 전략:
  • Momentum: 내려오던 관성을 이용해 작은 언덕을 넘어감.
  • Stochasticity (무작위성): 확률적 경사 하강법(SGD)이나 돌연변이(Mutation)를 통해 무작위로 위치 이동.
  • Simulated Annealing: 초기에는 과감하게 탐색하고 시간이 갈수록 정교하게 수렴.
• 의의: 딥러닝 학습이 단순히 '작동'하는 것을 넘어 '최고 성능'에 도달하기 위해 극복해야 할 가장 본질적인 수학적 과제.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 고차원 공간에서는 지역 최적해보다 안장점(Saddle Point)이 학습을 방해하는 더 큰 요인임이 밝혀지며, 최적화 전략의 초점이 안장점 탈출로 확장됨.
• 정책 변화: Antigravity 프로젝트는 하이퍼파라미터 튜닝 시 단일 시도가 아닌 베이지안 최적화를 활용하여, 지역 최적해의 함정을 피해 전역 최적해에 근사하는 파라미터 조합을 탐색함.

🔗 지식 연결 (Graph)

• Gradient-Descent, Fitness-Landscape, Black-Box-Optimization, Genetic-Algorithms
• Raw Source: 10_Wiki/Topics/AI/Global-vs-Local-Optima.md