Trim ideas.md to research-thread index + scratch space

진단 가설/개입/측정 섹션은 docs/research/lost_cities_selectivity.md
에 verbatim으로 보존되어 있어 ideas.md 쪽 사본은 stale 위험 + 중복
유지 비용만 남는다. ideas.md는 brainstorm 인덱스로 축소하고, research/
의 세 thread를 단일 진입점으로 정리.

기존의 "All-negative fallback 가설 — 검증됨, 부분 풀림" 같은 stale
표현도 함께 사라진다 (research doc에선 여전히 open hypothesis로
다뤄지고 있음).

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

ideas.md

@@ -1,61 +1,13 @@
-# Lost Cities Deep CFR — Ideas 압축 정리
+# Lost Cities Deep CFR — Ideas
+
+짧은 brainstorm 인덱스. 자세한 분석/카탈로그는 `docs/research/`로 옮김.
 
 ## Active Research Threads
 
-- [Lost Cities selectivity 가설 / 4-model 분석](docs/research/lost_cities_selectivity.md)
+- [Lost Cities selectivity 가설 / 4-model 분석](docs/research/lost_cities_selectivity.md) — 진단 가설, 개입 아이디어, 측정 항목 카탈로그 포함.
 - [Julia 포팅 검토 — 단일/멀티스레드/ML 평가](docs/research/julia_port_evaluation.md)
 - [최적화 순서 / lever 의존성](docs/research/optimization_sequencing.md)
 
-## 진단 가설들
+## Scratch
 
-- Variance 가설 — Draw variance가 entry regret signal 압도. Reward smoothing 1순위.
+(짧은 새 아이디어가 떠오르면 여기에. 한 줄 이상으로 커지면 research/로 옮긴다.)
-- Architecture 가설 — Flat MLP가 action-conditional advantage 분리 못 함.
-- Open and recover 가설 — 정책이 entry filter 대신 수습 학습 수렴.
-- Action-local credit assignment 가설 — Skip color action 부재로 regret 분산. Bad_open metric 자체 mismatch 가능.
-- Average / League inertia 가설 — Current policy는 selectivity 학습해도 average/league가 끌고 있음.
-- All-negative fallback 가설 — Uniform fallback이 학습 dynamic hole. 검증됨, 부분 풀림.
-- Self-play attractor 가설 — 5-color stable equilibrium.
-- Lost Cities NE = 5-color 가설 — 가능성 낮지만 0 아님.
-
-## 개입 아이디어들
-
-### Diagnostic (cheap, 정보량 큼)
-
-- Current vs Average vs League policy 분리 측정
-- Empirical r̃ by action class
-- BR-to-current 진단
-- Tabular Lost Cities oracle
-- 색별 opening rate, unopened color score
-
-### Architectural
-
-- Open-gate (latent skip color)
-- Action-factorized scorer + per-action features
-- Color permutation equivariance/augmentation
-- Slot-shared encoder
-- Dueling head
-- Two-headed MLP
-
-### Training dynamics
-
-- ✅ Argmax_tiebreak fallback (적용됨, mechanism 작동)
-- LCFR / DCFR weighting (reservoir inertia 직접 공격)
-- Reward smoothing
-- Open-action regret sign auxiliary
-- First-open replay reweighting
-- Type-balanced RM epsilon
-- League weight 조정 (older 비중 감소)
-- Memory discounting
-
-### Framework level
-
-- PSRO-style population
-
-## 새 measurement 항목
-
-- Δ_open 기반 calibration metric
-- Policy 분리 (current/average/league) opened_colors
-- Fallback breakdown (rate, action 분포, opened_colors bucket, tie rate)
-- Empirical r̃ by action class
-- 색별 opening rate, unopened rate
-- Avoided open penalty proxy