6.4 KiB
6.4 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | tech_stack | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-stochastic-gradient-descent | Stochastic Gradient Descent | 10_Wiki/Topics | needs_review | self | none | A | 0.92 |
|
2026-05-08 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
|
stochastic gradient descent (SGD, 확률적 경사 하강법)
📌 한 줄 통찰 (The Karpathy Summary)
"전체 데이터를 기다리는 게으름을 버리고, 단 하나의 샘플(Stochastic)이 주는 즉각적인 힌트로 끊임없이 방향을 수정하며 최적의 골짜기로 돌진하라" — 손실 함수의 기울기(Gradient)를 구할 때 전체 데이터셋이 아닌 무작위로 선택된 일부 데이터를 사용하여 가중치를 업데이트하는 최적화 알고리즘.
"가장 가파른 길을 찾아 조금씩 내려가기: 방대한 데이터를 한꺼번에 보지 않고, 단 한 개(또는 소수)의 데이터씩 번갈아 보며 모델의 오차를 줄이는 최단 경로를 확률적으로 탐색하는 딥러닝의 심장."
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: "Iterative Error Correction with Noise Injection" — 매 업데이트마다 적은 연산량으로 빠르게 길을 찾고, 확률적인 노이즈를 활용해 지역 최적해(Local Minima)의 함정을 뛰어넘어 전역 최적해 근처로 수렴해 나가는 패턴.
- 주요 특징:
- Efficiency: 방대한 빅데이터 환경에서도 전체 데이터를 다 읽을 필요 없이 실시간 학습 가능.
- Escaping Local Optima: 무작위 샘플링으로 인한 경로의 요동(Fluctuation)이 오히려 좁은 구덩이를 탈출하게 돕는 동력이 됨.
- Learning Rate Decay: 수렴 지점 근처에서 지나치게 진동하는 것을 막기 위해 학습률을 서서히 낮추는 전략 병행.
- 의의: 거의 모든 현대 딥러닝 아키텍처(CNN, Transformer 등)의 가중치를 결정짓는 실질적인 심장이며, Adam, RMSProp 등 수많은 고도화된 옵티마이저의 모태가 됨.
확률적 경사 하강법(Stochastic Gradient Descent, SGD)은 손실 함수(Loss Function)의 값을 최소화하기 위해 모델 파라미터를 업데이트하는 가장 대표적인 최적화 알고리즘입니다.
- 작동 원리 (The Descent):
- Gradient: 현재 위치에서 손실 함숫값이 가장 가파르게 변하는 방향(기울기).
- Update: 기울기의 반대 방향으로 조금씩(
Learning Rate) 파라미터를 조정. - Stochastic (확률적): 전체 데이터셋(Batch) 대신 무작위로 선택된 데이터(Mini-batch)만 보고 기울기를 계산하여 속도와 확률적 탐색 능력을 동시에 확보.
- 핵심 이점:
- 전체 데이터를 기다릴 필요 없이 즉각 업데이트하므로 학습 효율이 극도로 높음.
- 확률적 노이즈가 오히려 지역 최적점(Local Minimum)을 튕겨 나와 더 좋은 전역 최적해로 이끄는 역할을 함.
- 변형 알고리즘 (Family of SGD):
- Momentum: 가던 방향의 관성을 유지하여 수렴 속도 향상.
- Adam: 변수별로 학습률을 동적으로 조율하는 현대 딥러닝 최적화의 표준 전술.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 과거 데이터와의 충돌: 한 번에 한 개씩만 쓰던 순수 SGD(Pure SGD)에서 벗어나, 이제는 하드웨어 가속(GPU)의 효율성을 극대화하기 위해 수십~수백 개의 묶음 단위로 처리하는 '미니 배치(Mini-batch) SGD'가 실전의 표준으로 정착됨.
- 정책 변화: Antigravity 프로젝트는 에이전트의 로컬 미세 조정(Fine-tuning) 및 지식 가중치 업데이트 시, 연산 자원 점유율을 최소화하면서도 빠른 수렴이 보장된 최적화된 SGD 파이프라인을 가동함.
- 과거 데이터와의 충돌: 과거에는 전체 데이터를 다 보는 'Batch GD'가 정답이라 여겼으나, 현대의 거대 모델 정책은 초당 수천 번의 업데이트를 수행하는 'Mini-batch SGD' 기반의 최적화 정책 없이는 학습 자체가 불가능함을 인지함(RL Update).
- 정책 변화(RL Update): 학습의 효율성과 탄소 배출량이 직결됨에 따라, 더 적은 반복(Iteration)으로 더 빨리 수렴하는 '고효율 SGD 변형 알고리즘' 채택 및 분산 학습 정책이 최우선 기술 정책으로 부임함.
🔗 지식 연결 (Graph)
- Deep-Learning-Foundations, Optimization-Algorithms, Momentum-in-Optimization, Backpropagation-Fundamentals
- Raw Source: 10_Wiki/Topics/AI/Stochastic-Gradient-Descent.md
- Calculus, Linear Algebra, Reinforcement Learning (RL), Complex Adaptive_systems, Robotics
- Modern Tech/Tools: PyTorch torch.optim, AdamW optimization.
🤖 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)
# 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)