Files

T

koriweb 5ba5a55c78 feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00

3.4 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

title

Independent Component Analysis (ICA, 독립 성분 분석)

📌 한 줄 통찰 (The Karpathy Summary)

"뒤섞인 소음들 속에서 각기 다른 목소리의 본질을 찾아내어 분리하라" — 서로 독립적인 여러 신호가 혼합된 관측 데이터로부터, 통계적 독립성(Statistical Independence)을 최대화하는 방향으로 원래의 소스 신호들을 찾아내는 기법.

📖 구조화된 지식 (Synthesized Content)

추출된 패턴: "Blind Source Separation" — 믹싱 과정에 대한 사전 지식 없이도, 각 성분이 가우시안 분포가 아니며 서로 독립적이라는 가정을 통해 데이터의 숨겨진 원천을 분리하는 역행렬 추론 패턴.
PCA와의 차이:
- PCA (주성분 분석): 데이터의 분산이 가장 큰 축(직교)을 찾음. 상관관계 제거에 집중.
- ICA: 데이터가 통계적으로 가장 독립적인 축을 찾음. 실제 신호 분리에 집중.
주요 활용 사례:
- Cocktail Party Problem: 시끄러운 파티장에서 특정 사람의 목소리만 분리.
- EEG/MEG: 뇌 활동 신호에서 근육 움직임이나 눈 깜빡임 등의 잡음 제거.
- Finance: 여러 경제 지표의 혼합 속에서 독립적인 시장 동인 파악.
의의: 관측된 현상 이면에 존재하는 독립적인 실체들을 규명함으로써 데이터의 진정한 의미를 파악하게 함.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 선형 결합 모델의 한계를 넘어, 최근에는 신경망을 결합한 비선형 ICA를 통해 훨씬 복잡한 데이터의 독립 성분을 추출하는 방향으로 진화.
정책 변화: Antigravity 프로젝트는 다중 에이전트의 로그가 뒤섞인 통합 스트림에서 각 에이전트의 고유한 행동 패턴을 분리하여 분석하기 위해 ICA 기반의 시퀀스 분리 기술을 검토 중임.

🔗 지식 연결 (Graph)

Dimensionality-Reduction, Probability-Theory, Sequence-Modeling, Digital-Signal-Processing-DSP
Raw Source: 10_Wiki/Topics/AI/Independent-Component-Analysis.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

3.4 KiB Raw Blame History