2nd/10_Wiki/Topics_Blog/Inner-Product-Spaces.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
MATH-INNER-001	10_Wiki/💡 Topics/AI	1.0	math linear-algebra inner-product vector-space similarity-metrics ai	2026-04-26

Inner Product Spaces (내적 공간)

📌 한 줄 통찰 (The Karpathy Summary)

"추상적인 벡터들 사이에 거리를 재고 각도를 측정하여, 데이터 간의 '닮음'을 기하학적으로 정의하라" — 벡터 공간에 내적(Inner Product)이라는 연산이 추가되어 길이(Norm)와 각도(Orthogonality)를 계산할 수 있게 된 공간.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 고차원 데이터 공간에서 두 요소 사이의 상관관계를 스칼라 값 하나로 응축하여, 데이터의 유사성이나 투영(Projection)을 계산하는 선형 대수적 분석 패턴.
• 핵심 성질:
  • Positivity: 자기 자신과의 내적은 항상 0 이상.
  • Symmetry (Conjugate Symmetry): 순서를 바꿔도 결과가 일정함.
  • Linearity: 벡터의 합과 스칼라 곱에 대해 선형성이 유지됨.
• AI에서의 응용:
  • Cosine Similarity: 두 벡터의 내적을 각각의 크기로 나누어 '방향의 일치도' 측정.
  • Projection: 특정 벡터를 다른 벡터 축으로 투영하여 특징을 추출하거나 차원을 축소(PCA).
  • Kernel Methods: 데이터를 더 높은 차원의 내적 공간으로 보내 복잡한 경계를 선형적으로 분리.
• 의의: AI가 지식을 벡터로 변환(Embedding)하고 이를 검색하거나 비교하는 모든 수치적 연산의 이론적 토대.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 단순한 유클리드 거리 중심에서 벗어나, 데이터의 분포와 맥락을 반영하는 다양한 내적 정의와 유사도 지표(Dot product, Cosine similarity 등)의 중요성 대두.
• 정책 변화: Antigravity 프로젝트는 문서 간 유사도 분석 시, 내적 공간 상의 코사인 유사도를 기본 지표로 사용하여 의미적으로 가장 가까운 지식들을 추천함.

🔗 지식 연결 (Graph)

• Linear-Algebra-Foundations, Vector-Database-Foundations, Dimensionality-Reduction, Information-Retrieval-IR
• Raw Source: 10_Wiki/Topics/AI/Inner-Product-Spaces.md