2nd/10_Wiki/Topics/Loss-Functions-Foundations.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
DL-LOSS-001	Dev	1.0	ai Deep-Learning|Deep-Learning loss-function cost-function Optimization|Optimization neural-networks	2026-04-26

Loss Functions Foundations (손실 함수 기초)

📌 한 줄 통찰 (The Karpathy Summary)

"모델의 실수(Error)를 뼈아픈 수치로 환산하여, 정답을 향한 가장 가파른 길을 가리키는 나침반으로 삼아라" — 모델의 예측값과 실제 정답 사이의 차이를 하나의 스칼라 값으로 정의하여, 경사 하강법(Gradient Descent)이 최소값을 향해 나아갈 수 있도록 학습의 방향을 결정하는 핵심 지표.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "Differentiable Error Mapping" — 불연속적인 '맞고 틀림'을 미분 가능한 연속적인 함수로 변환하여, 오차가 클수록 더 강한 피드백(Gradient)을 가중치에 전달함으로써 모델을 스스로 수정하게 만드는 최적화 지표 패턴.
• 주요 손실 함수:
  • MSE (Mean Squared Error): 예측 오차의 제곱 평균. 회귀 문제의 표준. 큰 오차에 민감함.
  • Cross-Entropy Loss: 확률 분포 간의 차이 측정. 분류 문제의 표준. 정답에서 멀어질수록 페널티가 기하급수적으로 증가.
  • Hinge Loss: 서포트 벡터 머신(SVM)에서 사용. 경계선(Margin)을 지키지 못할 때 벌점 부여.
• 의의: 손실 함수의 설계가 곧 모델의 '목표'를 설정하는 행위이며, 문제의 본질(분류, 회귀, 생성 등)에 맞는 적절한 함수 선택이 성능의 80%를 결정함.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 단순히 오차를 줄이는 것에서 벗어나, 최근에는 학습의 안정성을 위해 Focal Loss(불균형 데이터)나 정규화 항이 포함된 복합 손실 함수를 설계하여 모델의 일반화 능력을 정교하게 제어함.
• 정책 변화: Antigravity 프로젝트는 에이전트의 지식 강화 작업 품질을 평가할 때, 단순 정답률 외에도 코사인 유사도와 정보 엔트로피를 결합한 커스텀 손실 지표를 활용하여 지식의 밀도를 관리함.

🔗 지식 연결 (Graph)

• Gradient-Descent-Foundations, Backpropagation-Foundations, Focal-Loss, Kullback-Leibler-Divergence
• Raw Source: 10_Wiki/Topics/AI/Loss-Functions-Foundations.md