2nd/10_Wiki/Topics/Universal-Approximation-Theorem.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
UAT-001	10_Wiki/💡 Topics/AI	1.0	math neural-networks Deep-Learning calculus theory-of-computation	2026-04-26

Universal Approximation Theorem (보편적 근사 정리)

📌 한 줄 통찰 (The Karpathy Summary)

"신경망은 충분한 뉴런만 있다면 우주의 그 어떤 복잡한 함수도 흉내 낼 수 있다" — 단 하나의 은닉층과 적절한 활성화 함수만 있어도 연속 함수를 원하는 정밀도로 근사할 수 있다는 딥러닝의 수학적 존재 증명.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 비선형 활성화 함수를 가진 뉴런들의 조합이 임의의 복잡한 수학적 관계를 표현할 수 있는 범용 계산 도구(Universal Function Approximator)임을 규명한 이론적 패턴.
• 핵심 내용:
  • Cybenko (1989) / Hornik (1991): 시그모이드와 같은 활성화 함수를 사용한 2층 신경망이 가진 표현력을 증명.
  • Width vs Depth: 이론적으로는 층 하나만 넓게(Width) 구성해도 가능하지만, 실제로는 깊게(Depth) 쌓는 것이 훨씬 효율적으로 함수를 학습함이 나중에 밝혀짐.
  • Existence Proof: 이 정리는 신경망이 함수를 '표현'할 수 있다는 가능성을 증명한 것이지, 어떻게 효율적으로 '학습'할지는 말해주지 않음.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 신경망의 한계를 지적했던 초기 비판자들을 잠재우고, 딥러닝이 단순한 유행이 아닌 강력한 수학적 기반을 가진 기술임을 확립.
• 정책 변화: Antigravity 프로젝트는 보편적 근사 정리를 신뢰하여, 복잡한 비즈니스 로직이나 물리 법칙도 충분한 규모의 신경망을 통해 모델링할 수 있다는 대전제 하에 연구를 진행함.

🔗 지식 연결 (Graph)

• Neural-Networks-Foundations, Deep-Learning, Calculus-for-ML, Artificial-Neural-Networks
• Raw Source: 10_Wiki/Topics/AI/Universal-Approximation-Theorem.md