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

3.2 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

Markov Chain Monte Carlo (MCMC, 마르코프 체인 몬테카를로)

📌 한 줄 통찰 (The Karpathy Summary)

"계산할 수 없는 거대한 확률의 바다를, 무작위의 발걸음(Random Walk)으로 방랑하며 지도를 그려라" — 복잡한 고차원 확률 분포로부터 샘플을 추출하여 기댓값이나 사후 확률(Posterior)을 근사적으로 계산하는 알고리즘 체계.

📖 구조화된 지식 (Synthesized Content)

추출된 패턴: "Guided Random Sampling" — 단순히 무작위로 점을 찍는 대신, 현재 위치를 기반으로 확률이 높은 곳으로 이동할 가능성을 열어두는 마르코프 체인을 형성하여 타겟 분포에 수렴하게 만드는 지능형 샘플링 패턴.
핵심 알고리즘:
- Metropolis-Hastings: 새로운 상태를 제안하고, 확률 비율에 따라 수락하거나 거절하며 분포 탐색.
- Gibbs Sampling: 각 변수를 순차적으로 고정하고 조건부 확률에 따라 샘플링 (고차원에서 유리).
의의: 베이즈 통계학에서 해석적으로 풀 수 없는 복잡한 적분 문제를 해결 가능케 하여, 현대 데이터 과학과 물리학, AI 추론의 핵심 도구로 자리 잡음.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 연산 성능의 한계로 이론 속에만 머물던 기법이었으나, 컴퓨팅 파워의 증대와 Hamiltonian Monte Carlo(HMC) 같은 고효율 변종의 등장으로 대규모 데이터 분석의 실전 도구가 됨.
정책 변화: Antigravity 프로젝트는 모델의 불확실성(Uncertainty)을 정교하게 측정하거나, 복잡한 지식 그래프의 확률적 잠재 경로를 탐색할 때 MCMC 기반의 시뮬레이션 기법을 고려함.

🔗 지식 연결 (Graph)

Probability-Theory, Markov-Decision-Process-MDP, Bayesian-Networks, Global-vs-Local-Optima
Raw Source: 10_Wiki/Topics/AI/Markov-Chain-Monte-Carlo.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

3.2 KiB Raw Blame History