2.8 KiB
2.8 KiB
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-concept-drift-개념-드리프트 | Concept Drift (개념 드리프트) | 10_Wiki/Topics | needs_review | self | none | A | 0.94 |
|
2026-04-20 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
Concept Drift (개념 드리프트)
📌 한 줄 통찰 (The Karpathy Summary)
"어제의 정답이 오늘의 오답이 되는 현상." 데이터의 통계적 특성이 시간이 지남에 따라 변하여, 과거에 학습된 모델의 예측 성능이 실시간으로 하락하는 리스크를 의미한다.
📖 구조화된 지식 (Synthesized Content)
- Types of Drift:
- Sudden Drift: 갑작스러운 사회적 변화(예: 팬데믹)로 소비자 패턴이 급변함.
- Gradual Drift: 시간이 흐르며 조금씩 변화함(예: 언어의 변화, 인플레이션).
- Seasonal Drift: 특정 주기마다 반복되는 변화.
- Detection Strategies:
- Statistical Tests: 데이터 분포의 차이를 측정(P-value, KL-divergence 등).
- Performance Monitoring: 정확도, 정밀도 등의 지표가 임계값 아래로 떨어지는지 감시.
- Adaptation: 모델 지속적 재학습(Continuous Retraining), 온라인 학습(Online Learning), 앙상블 가중치 업데이트 등을 통해 대응한다.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 개념 드리프트와 데이터 드리프트(Data Drift)를 혼동해서는 안 된다. 데이터 드리프트는 입력 데이터(
X)의 분포 변화이고, 개념 드리프트는 입력과 출력의 관계(P(Y|X)) 자체가 변하는 것이다. 개념 드리프트가 발생하면 모델의 '로직' 자체가 유효하지 않게 되므로 훨씬 더 위험하다.
🔗 지식 연결 (Graph)
- Related: MLOps , Model Collapse (모델 붕괴 현상)
- Comparison: Data [[Distillation (데이터 증류)]]
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 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.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |