Antigravity Agent
31 lines
2.2 KiB
Markdown
31 lines
2.2 KiB
Markdown
---
|
|
id: [[P-Reinforce|P-Reinforce]]-AUTO-L2RE-001
|
|
category: Dev
|
|
confidence_score: 0.97
|
|
tags: [auto-reinforced, l2-[[Regularization|Regularization]], machine-learning, [[Deep-Learning|Deep-Learning]], [[Overfitting|Overfitting]], weight-decay]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[L2-Regularization|L2-Regularization]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "신경망을 겸손하게: 모델이 특정 데이터에 너무 과하게 최적화(Overfitting)되어 괴물이 되지 않도록, 가중치값이 너무 커지면 벌금(Penalty)을 매겨 모델을 더 단순하고 부드럽게 만드는 수학적 억제제."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
L2 정규화(L2-Regularization) 혹은 Ridge 정규화는 모델의 복잡도를 제어하는 기법입니다.
|
|
|
|
1. **수학적 원리**:
|
|
* 손실 함수(Loss Function)에 모든 가중치 제곱의 합($\sum w^2$)을 더함.
|
|
* 가중치 $w$가 커질수록 손실값도 커지므로, 학습 과정에서 자연스럽게 가중치를 작은 값으로 유지함. ([[Gradient-Descent|Gradient-Descent]]와 연결)
|
|
2. **효과**:
|
|
* 특정 데이터 포인트에 지나치게 민감하게 반응하는 것을 방지하여, 처음 보는 데이터에도 잘 작동하는 '일반화 성능' 향상.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 복잡한 수식 증명 정책 위주였으나, 현대 정책은 실제 성능 향상을 위해 '가중치 감쇠(Weight Decay) 정책'이라는 이름으로 모든 최적화 알고리즘(AdamW 등)에 기본 내장 정책으로 사용됨(RL Update).
|
|
- **정책 변화(RL Update)**: 거대 모델 정책([[Foundation-Models|Foundation-Models]])에서는 파라미터가 너무 많아 정규화가 필수적이지만, 단순히 가중치를 줄이는 것을 넘어 '드롭아웃(Dropout)'이나 '데이터 증강' 등 다양한 정책과 혼합하여 사용됨.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Gradient-Descent|Gradient-Descent]], [[Optimization|Optimization]], Deep Learning (DL), [[Efficiency|Efficiency]], Scaling-Laws
|
|
- **Modern Tech/Tools**: Ridge regression, Weight decay in PyTorch/TensorFlow, AdamW optimizer.
|
|
---
|