Antigravity Agent
35 lines
2.6 KiB
Markdown
35 lines
2.6 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-TRLE-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.98
|
|
tags: [auto-reinforced, transfer-learning, deep-learning, knowledge-transfer, specialization]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Transfer Learning|Transfer Learning]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "남의 지식으로 내 문제 풀기: 밑바닥부터 새로 배우는 대신, 거대 데이터로 이미 훈련된 모델의 실력을 가져와 내 특수 분야에 맞춰 살짝 다듬어(fine-tuning) 압도적인 효율을 얻는 지식 전수법."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
전이 학습(Transfer Learning)은 한 도메인(Source)에서 학습한 지식을 다른 관련 도메인(Target)에 적용하여 학습 성능을 높이고 자원 소모를 줄이는 머신러닝 기법입니다.
|
|
|
|
1. **왜 필요한가?**:
|
|
* **Data Scarcity**: 특정 분야(의료, 특수 제조 등)는 학습 데이터가 부족함.
|
|
* **Computational Cost**: 거대 모델을 처음부터 학습시키는 데는 천문학적 비용 발생.
|
|
2. **핵심 메커니즘**:
|
|
* **Pre-training**: 대규모 일반 데이터(예: 인터넷 전체 텍스트, ImageNet)로 보편적 특징 학습.
|
|
* **Feature Extraction**: 학습된 가중치(Weights) 일부를 골격으로 사용.
|
|
* **Fine-tuning**: 하위 계층을 고정하거나 소폭 수정하며 내 데이터에 최적화.
|
|
3. **가장 성공적인 사례**:
|
|
* BERT/GPT (언어 이해 지식의 전이), ResNet (이미지 특징 추출 능력의 전이).
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 전이 학습 시 지식의 왜곡이나 망각(Catastrophic Forgetting)이 큰 문제였으나, 현대 인프라 정책은 '어댑터(Adapter)'나 'LoRA'와 같은 모듈형 전이 정책을 통해 기존 지식은 보존하면서 효율적으로 확장하는 기술적 대안을 정착시킴(RL Update).
|
|
- **정책 변화(RL Update)**: 기업 내부의 핵심 기술이 외부 모델에 '오염'되는 것을 막기 위해, 오픈 소스 기반 모델을 가져와 폐쇄망 내에서 전이 학습시키는 '프라이빗 AI 구축 정책'이 데이터 주권 보호의 핵심 전략으로 부상함.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- Foundational Models, [[SFT (Supervised Fine-Tuning)|SFT (Supervised Fine-Tuning)]], [[Resource-Management|Resource-Management]], [[Neural-Symbolic-Integration|Neural-Symbolic-Integration]], [[Robotics|Robotics]]
|
|
- **Modern Tech/Tools**: Hugging Face Transformers, LoRA (Low-Rank Adaptation), PyTorch/TensorFlow pre-trained models.
|
|
---
|