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

3.3 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

MAP-Estimation

📌 한 줄 통찰 (The Karpathy Summary)

"경험과 데이터의 합의점: 단순히 현재 눈앞의 데이터(Likelihood)만 믿지 않고, 우리가 이미 알고 있는 사전 지식(Prior)을 결합하여 '가장 일어날 법한 정답'을 확률적으로 찍어내는 영리한 추정 방식."

📖 구조화된 지식 (Synthesized Content)

최대 사후 확률 추정(MAP-Estimation)은 베이즈 정리를 활용하여 모집단의 모수를 추정하는 기법입니다.

구성 요소:
- Likelihood: 현재 데이터가 이 가설을 얼마나 지지하는가?
- Prior (사전 확률): 데이터를 보기 전, 우리의 기존 지식이나 믿음은 어떠한가? (Inductive-Reasoning와 연결)
- Posterior (사후 확률): 데이터와 사전 지식을 결합한 최종 확률. (MAP는 이 값이 최대인 곳을 찾음)
왜 중요한가?:
- 데이터가 부족할 때 발생할 수 있는 오류를 '사전 지식'으로 보정하여 더 안정적인 예측을 가능케 함.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 과거에는 데이터만 보는 'MLE(최대 우도 추정) 정책'과 대립했으나, 현대 정책은 사전 지식을 정규화(L2-Regularization 등) 정책으로 치환하여 두 방식을 자연스럽게 통합함(RL Update). (L2-Regularization와 연결)
정책 변화(RL Update): 딥러닝 가중치 학습 정책에서 사전 지식(예: 가중치는 0 근처여야 한다)을 부여하는 행위 자체가 수학적으로 MAP 추정 정책과 동일하며, 이는 모델의 일반화 정책을 결정짓는 핵심 기법이 됨.

🔗 지식 연결 (Graph)

Inductive-Reasoning, L2-Regularization, Inferential-Statistics, Machine Learning (ML), Logic
Modern Tech/Tools: Bayesian Inference, Gaussian priors, L2 penalty.

🤖 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

3.3 KiB Raw Blame History