3.0 KiB
3.0 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-cross-entropy-loss | Cross Entropy Loss | 10_Wiki/Topics | needs_review | self |
|
none | A | 1.0 |
|
2026-04-26 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
Cross-Entropy Loss (교차 엔트로피 손실)
📌 한 줄 통찰 (The Karpathy Summary)
"모델의 예측 분포와 실제 정답 분포 사이의 거리(놀람의 정도)를 측정하여 좁혀라" — 정보 이론의 엔트로피 개념을 빌려와, 모델이 출력한 확률 분포가 정답 분포와 얼마나 다른지를 수치화한 손실 함수로 분류 문제의 표준.
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: 정답 클래스에 대해 모델이 낮은 확률을 줄수록 더 큰 페널티를 부여하여, 모델이 정답에 대해 확신을 갖도록 유도하는 확률 정렬 패턴.
- 수학적 의미:
- Entropy: 시스템의 불확실성/정보량 측정.
- KL Divergence: 두 확률 분포 사이의 차이 측정.
- Cross-Entropy:
H(p, q) = -\sum p(x) \log q(x). 정답 분포(p)와 예측 분포(q) 사이의 유사도 측정.
- 특징: 로그 함수를 사용하여 예측이 틀릴수록 손실값이 기하급수적으로 커짐. 이를 통해 경사 하강법 시 가중치를 강력하게 업데이트함.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 과거 데이터와의 충돌: 단순한 오차 제곱합(MSE)을 분류 문제에 쓰던 방식보다 훨씬 빠른 수렴 속도와 높은 성능을 보임이 입증되며 사실상의 표준이 됨.
- 정책 변화: Antigravity 프로젝트는 에이전트의 문서 분류 및 의도 인식 모델 학습 시 교차 엔트로피 손실 함수를 기본으로 사용하며, 클래스 불균형 해결을 위해 Focal Loss 등 변형 기법을 함께 검토함.
🔗 지식 연결 (Graph)
- Objective-Functions, Gradient-Descent, Machine-Learning, Deep-Learning
- Raw Source: 10_Wiki/Topics/AI/Cross-Entropy Loss.md
🤖 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 |