StatisticsBayesianStreaming실시간 확률 추정: 빈도주의 & 베이지안데이터가 한 건씩 흘러 들어오는 환경에서 '조건 X의 성공 확률'을 매 순간 추정한다고 해봅시다. 빈도주의는 관측만으로 s/n을 계산하고, 베이지안은 사전 분포를 얹어 (α+s)/(α+β+n)을 계산합니다. 둘은 데이터가 쌓이면 같은 값으로 수렴합니다. 하지만 초반 몇 건에서의 행동은 완전히 다릅니다.실시간 추천, 광고 클릭률, A/B 테스트, 이상탐지. 이런 시스템은 데이터가 한 건씩 흘러 들어옵니다. 그리고 매 순간 같은 질문을 던집니다. 지금까지 본 것으로 볼 때, 조건 X에서 성공할 확률은 얼마인가?가장 단순한 추정은 비율입니다. 본 것 중 성공이 몇 번이었나. 하지만 스트리밍 초반에는 본 것이 거의 없습니다...

AI System Prompt Claude Fable 5 Claude Opus 4.7 → Fable 5,시스템 프롬프트는 무엇이 바뀌었나 두 모델의 시스템 프롬프트라고 주장되는 문서를 비교해보았습니다. (아닐수도 있지만, 제법 star를 잘 받은 내용입니다.) 이 문서에 따르면 주요 골격은 같지만, 위험 통제가 놓이는 위치가 달라졌습니다. 무엇이 바뀌었는지, 그리고 왜 그렇게 바뀌었을지 추론까지 간단히 해보았습니다. 출처: github.com/elder-plinius/CL4R1T4S · Claude-Opus-4.7.txt vs CLAUDE-FABLE-5.md 1둘 다 claude.ai 챗(웹·모바일)용 프롬프트다. 코딩 도구가 아니라, 같은 제품의 4월 → 6월 개정판..

TroubleshootingAutomationClaude API 토큰 소진 및 무한 루프 해결작업 종료 시 실행되도록 설정한 자동 요약 스크립트가 무한 루프를 발생시켜 API 토큰을 단시간에 소진한 이슈의 원인과 해결 방법을 공유합니다. 요약 문제: 서버에서 단 51초 만에 Claude API 일일 사용량이 100% 소진됨. 원인: 작업 종료 시 호출되는 자동 요약 스크립트가 백그라운드 세션을 종료할 때마다 자신을 다시 호출하는 재귀 호출 상태에 빠짐. 해결: 스크립트 실행 시 환경 변수를 주입하여, 백그라운드 작업 중에는 스크립트가 재실행되지 않도록 예외 처리함. 1. 문제 발생우분투 서버에서 Claude Code를 사용하던 중 짧은 명령어를 입력했음에도 1분 내외로 API 한도..

StatisticsLDADimension ReductionLDA는 왜 분류와 차원축소에 모두 쓰일까?분류 LDA와 차원축소 LDA는 출발점이 다릅니다. 하나는 확률모형에서, 다른 하나는 산포 행렬에서 시작합니다. 하지만 둘 다 결국 같은 질문을 묻습니다. 그룹 평균의 차이가 그룹 내부의 흔들림에 비해 충분히 큰가?이전 글에서는 Linear Discriminant Analysis를 두 관점에서 봤습니다. 첫 번째는 분류기였습니다. 클래스별 데이터가 다변량 정규분포를 따르고 공분산이 같다고 가정하면, 선형 결정 경계가 나옵니다.두 번째는 차원축소였습니다. 클래스 간 산포는 크게 만들고, 클래스 내 산포는 작게 만드는 사영축을 찾았습니다.Question분류에서 나온 LDA와 차원축소에서 나온 LDA는 왜 같은..

GK2A AMI SW038 KO + EA Context Solar Geometry 4h Nowcasting GK2A SWIR KO/EA Nowcasting:데이터 전처리와 Solar Geometry Feature 설계 수증기 영상 3시간 예측에서는 2~3시간 구간부터 오차가 빠르게 커지는 흐름이 보였습니다. 이번 실험은 단파적외 SW038 기반의 4시간 KO nowcasting으로 방향을 옮기면서, KO local detail과 EA wide context, 그리고 pixel별 solar condition을 함께 쓰는 입력 구조를 정리합니다. 01SW038 raw는 보정하거나 hard mask하지 않고 유지합니다. 02EA는 4시간 뒤 KO로 유입될 수 있는 넓은 흐..

비디오 예측 디퓨전 DiffCast 위성영상 joint training 잔차 디퓨전이 흐림에sharpness를 돌려놓는다 Part 1의 SimVP 백본은 시간이 갈수록 평균값에 수렴해 흐려지는 한계가 있었습니다. 이번 글은 그 위에 잔차 디퓨전을 얹는 DiffCast 구조 — 왜 '잔차'인지, 어떻게 sharpness가 돌아오는지, 그리고 옛 백본을 흔들지 않으면서 함께 학습하는 joint 스케줄까지. 들어가며 Part 1을 이렇게 닫았습니다 — "결정론 모델은 미래 분포의 평균을 그린다. 평균이 아닌 sample을 그리는 모델이 필요하다." 그 자리에 들어오는 게 잔차 디퓨전(residual diffusion)이고, 그걸 결정론적 백본 위에 얹은 구조가 DiffCast ..