어려운 질문을 더 자주 출제하려 합니다. 가중 무작위 추출은 균등 셔플과 어떻게 다르며 중복 정책은 어떻게 정하나요?

가중 추출은 항목별 선택 확률을 다르게 주는 정책입니다. 가중치가 큰 항목이 더 자주 나오도록 할 수 있지만 복원 추출인지 한 주기 안 비복원 추출인지에 따라 분포와 의미가 다릅니다.

동작 원리와 전제

복원 추출은 누적 가중치 구간에서 난수를 골라 항목을 찾을 수 있습니다. 음수·NaN·모두 0인 가중치를 거절하고 큰 수 합의 정밀도를 확인합니다. 자주 갱신되는 가중치는 prefix sum 재구축이나 tree 구조의 비용을 비교합니다.

선택과 실패 처리

틀린 문제에 가중치를 높이면 학습 집중을 도울 수 있지만 몇 항목이 계속 반복될 수 있어 최근 노출 제한·최소 탐색 비율을 둡니다. 이런 제약은 원래 가중 분포를 바꾸므로 사용자에게 정책을 설명합니다.

구체적인 사례와 검증

가중치가 A=1,B=3이면 복원 추출에서 B의 확률은 3/4로 설정할 수 있습니다. 하지만 B를 한 번 뽑은 뒤 주기에서 제거하면 이후 분포는 달라집니다. '더 자주'와 '먼저 나올 가능성이 높다'는 다른 학습 정책입니다. 최근 오답만 집중하면 새로운 주제를 거의 못 볼 수 있어 일정 비율을 탐색에 남길 수 있습니다. 가중치 합이 커질 때 정밀도와 0 가중 항목, 저장된 학습 이력의 변경을 처리합니다. 사용자 데이터가 없거나 저장소를 읽지 못하면 명시적인 균등 fallback을 사용하고 그 상태에서도 랜덤 버튼이 작동하게 합니다.

고정 난수와 작은 예제로 경계 선택을 검증하고 반복 빈도·새 주제 노출·사용자 피로를 측정합니다. 점수와 가중치의 관계를 무조건 선형으로 두지 않습니다. 무작위성은 목적이 아니라 학습 목표에 맞는 노출 정책의 수단입니다.