2nd/10_Wiki/Topics_GD/Kernel-Methods-and-SVMs.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
ML-SVM-001	10_Wiki/💡 Topics/AI	1.0	machine-learning svm kernel-methods Optimization|Optimization classification kernel-trick	2026-04-26

Kernel Methods and SVMs (커널 메서드와 SVM)

📌 한 줄 통찰 (The Karpathy Summary)

"데이터를 더 높은 차원으로 끌어올려 복잡하게 얽힌 실타래를 한 칼에 베어버리는 최적의 경계선을 찾아라" — 데이터를 고차원 공간으로 매핑하여 비선형적인 관계를 선형적으로 분리 가능하게 만드는 '커널 트릭'과, 두 클래스 사이의 거리(Margin)를 최대화하는 'SVM'의 결합.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "Max-Margin Hyperplane" — 단순히 클래스를 나누는 것을 넘어, 양측 데이터(Support Vectors)로부터 가장 멀리 떨어진 최적의 안전거리(Margin)를 확보하여 모델의 일반화 능력을 극대화하는 최적화 패턴.
• 핵심 개념:
  • Support Vectors: 결정 경계를 결정하는 가장 가까운 데이터 포인트들.
  • Kernel Trick: 실제로 차원을 높이지 않고도 고차원 내적 연산 효과를 내는 수학적 기법 (RBF, Polynomial Kernel 등).
  • Slack Variables: 일부 오차를 허용하여 노이즈에 강건하게 만드는 기법 (Soft Margin).
• 의의: 수학적으로 명확한 해(Global Optimum)를 보장하며, 데이터가 적은 상황에서도 딥러닝에 필적하는 강력한 성능을 발휘함.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 모든 문제를 해결할 만능 알고리즘으로 추앙받았으나, 데이터 규모가 커질수록 연산량이 기하급수적으로 늘어나는 한계로 인해 대규모 데이터셋에서는 딥러닝에 자리를 내어줌.
• 정책 변화: Antigravity 프로젝트는 실시간 이상 징후 탐지 시, 데이터셋이 작고 경계가 명확해야 하는 특정 보안 도메인에서 One-class SVM을 적극적으로 활용함.

🔗 지식 연결 (Graph)

• Supervised-Learning-Foundations, Inner-Product-Spaces, Dimensionality-Reduction, Global-vs-Local-Optima
• Raw Source: 10_Wiki/Topics/AI/Kernel-Methods-and-SVMs.md