119 lines
5.2 KiB
Markdown
119 lines
5.2 KiB
Markdown
---
|
|
id: wiki-2026-0508-bayesian-inference
|
|
title: Bayesian Inference
|
|
category: 10_Wiki/Topics
|
|
status: needs_review
|
|
canonical_id: self
|
|
aliases: []
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 0.92
|
|
tags: [auto-consolidated, technical-documentation]
|
|
raw_sources: []
|
|
last_reinforced: 2026-05-08
|
|
github_commit: pending
|
|
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
|
tech_stack:
|
|
language: unspecified
|
|
framework: unspecified
|
|
---
|
|
|
|
# Bayesian-Inference (베이지안 추론)
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "믿음은 고정된 것이 아니라 정보에 따라 진화한다." 기존의 배경 지식(Prior)에 새로운 근거(Evidence)를 더해 더 정확한 진실(Posterior)에 다가가는 통계학적 통찰이다.
|
|
|
|
---
|
|
|
|
베이지안 추론(Bayesian Inference)은 베이즈 정리(Bayes' Theorem)를 바탕으로, 새로운 증거가 수집될 때마다 가설의 확률(신뢰도)을 지속적으로 갱신해 나가는 통계적 추론 방법론입니다 [1, 2]. 이는 지능 시스템이 불확실한 환경에서 점진적으로 학습하고 세계관을 수정해 나가는 핵심 원리입니다 [1].
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
- **Prior Probability (사전 확률)**:
|
|
- 새로운 데이터를 보기 전에 우리가 이미 알고 있는 지식이나 가설의 확률.
|
|
- **Likelihood (우도)**:
|
|
- 어떤 가설이 참일 때, 현재 관찰된 데이터가 나타날 확률.
|
|
- **Posterior Probability (사후 확률)**:
|
|
- 새로운 데이터를 반영한 후 업데이트된 우리의 최종 믿음.
|
|
- **Application**:
|
|
- 스팸 메일 필터링, 의료 진단, 자율주행 차의 센서 융합 등 불확실성이 큰 환경의 의사결정에 필수적이다.
|
|
|
|
---
|
|
|
|
* **베이지안 업데이트 (Bayesian Updating)**
|
|
- **사전 확률 (Prior)**: 새로운 데이터를 관찰하기 전의 기존 신뢰도입니다 [1, 3].
|
|
- **가능도 (Likelihood)**: 가설이 참일 때 관찰된 데이터가 나타날 확률입니다 [1].
|
|
- **사후 확률 (Posterior)**: 새로운 증거를 반영하여 업데이트된 최종 신뢰도입니다 [1, 4].
|
|
- 이 과정을 통해 시스템은 노이즈 섞인 데이터 하나에 일희일비하지 않고 전체적인 추세에 따라 점진적으로 지식을 수정합니다 [1, 5].
|
|
|
|
* **지능 시스템에서의 활용**
|
|
- **능동적 학습 (Active Learning)**: 어떤 데이터가 사후 확률을 가장 크게 변화시킬지 판단하여 효율적으로 학습 대상을 선택합니다 [1].
|
|
- **베이지안 뇌 가설 (Bayesian Brain Hypothesis)**: 인간의 뇌가 감각 정보를 능동적으로 처리하고 확률 분포를 통해 미래를 예측한다는 이론으로, 현대 AI 상황 판단 모듈 설계의 모티브가 됩니다 [1, 6].
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
|
- 베이지안 추론은 '사전 확률'을 설정할 때 주관이 개입된다는 비판을 받기도 한다(빈도주의 통계학과의 논쟁). 하지만 데이터가 적은 초기 상태에서는 베이지만큼 강력한 예측 도구가 없다.
|
|
|
|
---
|
|
|
|
- **사전 확률의 주관성**: 초기 설정한 사전 확률(Prior)에 따라 결과가 달라질 수 있다는 비판이 있으나, 충분한 데이터가 쌓이면 사후 확률은 데이터의 본질에 수렴하게 됩니다 [1, 7].
|
|
- **연산 복잡도**: 복잡한 모델에서 베이지안 적분을 직접 계산하는 것은 매우 어렵기 때문에, MCMC(Markov Chain Monte Carlo)나 변분 추론(Variational Inference)과 같은 근사 기법이 널리 사용됩니다 [1].
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- Related: [[Automated-Reasoning|Automated-Reasoning]] , [[Behavioral-Economics|Behavioral-Economics]]
|
|
- Foundation: Computational Theory & Math/Information Theory
|
|
|
|
---
|
|
|
|
- **Related Topics**: 베이즈 정리 (Bayes' Theorem, 확률론 (Probability Theory), 능동적 학습 (Active Learning), 예측 코딩 (Predictive Coding
|
|
- **Projects/Contexts**: Antigravity 상황 판단 엔진, 초개인화 추천 알고리즘
|
|
|
|
---
|
|
*Last updated: 2026-04-30*
|
|
|
|
## 🤖 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 |
|
|
|
|
## 💻 코드 패턴 (Code Patterns)
|
|
|
|
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
|
|
|
```text
|
|
# TODO
|
|
```
|
|
|
|
## 🤔 의사결정 기준 (Decision Criteria)
|
|
|
|
**선택 A를 써야 할 때:**
|
|
- *(TODO)*
|
|
|
|
**선택 B를 써야 할 때:**
|
|
- *(TODO)*
|
|
|
|
**기본값:**
|
|
> *(TODO)*
|
|
|
|
## ❌ 안티패턴 (Anti-Patterns)
|
|
|
|
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)* |