2nd/10_Wiki/Topics/AI_and_ML/Loss Functions.md

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-loss-functions	Loss Functions	10_Wiki/Topics	needs_review	self	P-Reinforce-AUTO-LOFU-001	none	A	0.98	auto-reinforced loss-functions Optimization machine-learning error-measurement cost-function		2026-04-20	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Loss Functions

📌 한 줄 통찰 (The Karpathy Summary)

"모델의 반성문 도우미: AI의 예측이 실제 정답과 얼마나 동떨어져 있는지 수치(Penalty)로 계산하여, 모델이 스스로 '아, 내가 이만큼 틀렸구나'를 깨닫고 정답을 향해 가중치를 수정하게 만드는 성적표이자 학습의 이정표."

📖 구조화된 지식 (Synthesized Content)

손실 함수(Loss Functions)는 모델의 출력값과 실제 정답 사이의 오차를 정의하는 수학적 함수입니다.

1. 현실적인 사용 사례:
   • Mean Squared Error (MSE): 수치 예측(Regression) 시 오차의 제곱을 평균 냄. (멀리 틀릴수록 벌금이 기하급수적으로 커짐)
   • Cross-Entropy: 분류(Classification) 시 정답 확률 분포와 모델 예측 분포의 차이를 측정. (Information-Entropy와 연결)
2. 왜 중요한가?:
   • 손실 함수의 형태에 따라 모델이 학습하는 방향과 성격이 결정되며, 이 함수의 경사를 따라가는 과정이 곧 학습(Training)이기 때문임. (Gradient-Descent와 연결)

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 과거에는 단순히 '틀린 횟수'를 줄이는 정책에 그쳤으나, 현대 정책은 정답과의 수치적 거리뿐만 아니라 '답변의 질'이나 '인간의 선호도'를 손실 함수 정책에 반영함(RL Update). (DPO (Direct PReference Optimization)와 연결)
• 정책 변화(RL Update): 단순히 오차를 줄이는 정책을 넘어, 모델이 너무 복잡해지는 것을 막기 위해 '벌칙항(Penalty term)'을 손실 함수에 추가하여 일반화 성능을 높이는 정규화 정책이 필수화됨. (L2-Regularization와 연결)

🔗 지식 연결 (Graph)

• Gradient-Descent, Optimization, Information-Entropy, L2-Regularization, DPO (Direct Preference Optimization)
• Modern Tech/Tools: KL Divergence, Huber Loss, Hinge Loss, Log Loss.

---

🤖 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