2nd/10_Wiki/Topics/AI_and_ML/Regularization-Techniques.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-regularization-techniques	Regularization Techniques	10_Wiki/Topics	needs_review	self	REG-TECH-001	none	A	1.0	machine-learning Optimization Overfitting Regularization		2026-04-26	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Regularization Techniques (규제화 기법)

📌 한 줄 통찰 (The Karpathy Summary)

"모델이 학습 데이터만 달달 외우지 못하게 방해하라" — 과적합(Overfitting)을 방지하고 모델의 일반화 성능을 높이기 위해 복잡성에 페널티를 주거나 학습 과정에 의도적인 노이즈를 추가하는 기법들.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 모델이 특정 가중치에 과하게 의존하거나 데이터의 지엽적인 특징에 매몰되지 않도록 인위적인 제약 조건을 가하는 패턴.
• 주요 기법:
  • L1/L2 Regularization: 가중치의 크기를 손실 함수에 포함시켜 가중치가 너무 커지지 않도록 제한. L1은 희소(Sparse) 모델을 만듦.
  • Dropout: 학습 중 일부 뉴런을 무작위로 비활성화하여 특정 경로에만 의존하는 현상 방지.
  • Early Stopping: 검증 성능이 더 이상 좋아지지 않을 때 학습을 조기에 종료.
  • Data Augmentation: 학습 데이터를 변형(회전, 노이즈 추가 등)하여 모델이 더 다양한 케이스에 대응하게 함.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 초기에는 수학적 제약(L1/L2) 위주였으나, 현대에는 모델 아키텍처 자체에 녹아든 기법(Dropout, Layer Norm 등)과 데이터 차원의 규제화가 더 널리 사용됨.
• 정책 변화: Antigravity 에이전트의 내부 요약 모델 학습 시, 과적합 방지를 위해 0.1 비율의 Dropout과 엄격한 Early Stopping 정책을 적용함.

🔗 지식 연결 (Graph)

• Overfitting, Optimization, Machine-Learning-Lifecycle, Layer-Normalization
• Raw Source: 10_Wiki/Topics/AI/Regularization-Techniques.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