2nd/10_Wiki/Topics/Reward Prediciton Error.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by
wiki-2026-0508-reward-prediciton-error	Reward Prediciton Error	10_Wiki/Topics	verified	self	P-Reinforce-AUTO-RWPE-TYPO	none	A	0.92	uncategorized		2026-05-08	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Reward Prediciton Error

Note

본 파일은 오타가 포함된 파일명으로, 본 내용은 Reward Prediction Error 문서에서 통합 관리되고 있습니다. 위 링크로 이동해 주시기 바랍니다. 🫡🐟

📌 한 줄 통찰 (The Karpathy Summary)

보상 예측 오류는 강화학습과 신경과학의 교차점에서 학습 신호를 통합 설명하는 핵심 개념이다.

📖 구조화된 지식 (Synthesized Content)

추출된 패턴: δ = r + γV(s') - V(s) 라는 동일 수식이 도파민 발화율과 가치함수 갱신 모두를 설명한다는 점이 "학습은 곧 RPE 최소화"라는 통합 가설의 근거.

세부 내용:

• 양의 RPE → 가치 함수 상향, 음의 RPE → 하향.
• 사람·동물에서 도파민 phasic burst가 RPE와 일치.
• TD-learning 알고리즘이 이 신호를 그대로 사용.
• 환경 비정상성(non-stationarity) 하에서는 학습률 조정 필요.
• LLM RLHF의 KL 페널티도 광의의 RPE 정규화로 볼 수 있음.

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: draft
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 없음
• 정책 변화: 없음

🔗 지식 연결 (Graph)

• Parent: 10_Wiki/Topics
• Related: (TODO: 최소 2개)
• Opposite / Trade-off: (TODO)
• Raw Source: 직접 입력

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A