3.5 KiB
3.5 KiB
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-data-distillation-데이터-증류 | Data Distillation (데이터 증류) | 10_Wiki/Topics | needs_review | self |
|
none | A | 0.93 |
|
2026-04-20 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
Data Distillation (데이터 증류)
📌 한 줄 통찰 (The Karpathy Summary)
"데이터의 에스프레소 추출: 1,000개의 이미지로 공부해야 할 지식을 단 10개의 '증류된 이미지'에 함축함으로써, 손바닥만 한 데이터셋만으로도 거대한 모델을 가르칠 수 있게 만드는 고밀도 정보 압축의 기술."
📖 구조화된 지식 (Synthesized Content)
데이터 증류(Data Distillation)는 거대한 데이터셋의 지식을 핵심적인 소수 데이터셋으로 요약하여 모델의 학습 효율을 극대화하는 기법입니다.
- 작동 원리:
- 전체 데이터로 학습한 '스승 모델(Teacher)'의 행동 패턴이나 그래디언트 정보를 보존하면서, 아주 작은 '가공된 데이터셋'을 생성.
- 이 증류된 데이터로 학습한 '제자 모델(Student)'이 전체 데이터로 학습한 효과와 유사한 성능을 내도록 최적화.
- 왜 중요한가?:
- Storage Efficiency: 방대한 데이터를 보관할 필요가 없음.
- Training Speed: 데이터 양이 적으므로 학습 시간이 극적으로 단축됨. (Optimization과 연결)
- Privacy: 원본 데이터를 직접 사용하지 않고 가공된 정보만 사용하므로 보안에 유리함.
⚠️ 모순 및 업데이트 (Contradictions & Updates)
- 과거 데이터와의 충돌: 과거에는 무조건 '데이터가 많을수록 좋다'는 정책(Big Data)이 우세했으나, 현대 정책은 불필요한 노이즈를 뺀 '고밀도 정제 데이터 정책'이 모델의 지능 밀도를 높이는 데 더 효과적임을 입증함(RL Update).
- 정책 변화(RL Update): 최근에는 LLM을 이용해 고품질의 합성 데이터를 생성하고 이를 다시 소형 모델 학습에 사용하는 '자기 증류(Self-distillation) 정책'이 소형 모델(sLLM) 전략의 핵심 정책이 됨.
🔗 지식 연결 (Graph)
- Big-Data, Optimization, Efficiency, Model-Compression, CV_Synthesis
- Modern Tech/Tools: Dataset Distillation techniques (Matching Gradients), Synthetic datasets.
🤖 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 |