---
id: DL-PARAM-SHARE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, deep-learning, parameter-sharing, cnn, rnn, weight-tying, efficiency]
last_reinforced: 2026-04-26
---

# Parameter Sharing (파라미터 공유)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터의 위치나 시점에 상관없이 동일한 '특징 추출기'를 반복 사용하여, 모델의 덩치는 줄이고 지능의 보편성은 높여라" — 신경망의 서로 다른 부분에서 동일한 가중치(Weight)를 공유함으로써 학습해야 할 파라미터 수를 획기적으로 줄이고 일반화 성능을 높이는 기법.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Structural Symmetry and Translation Invariance" — 이미지는 어느 위치에서든 같은 필터로 특징을 뽑을 수 있고(CNN), 문장은 어느 시점에서든 같은 논리로 다음을 예측할 수 있다(RNN)는 구조적 가정을 바탕으로 가중치를 묶어버리는(Weight Tying) 패턴.
- **주요 적용 사례:**
    - **CNN (Convolutional Neural Networks):** 하나의 필터(커널)가 이미지 전체를 훑으며 동일한 가중치로 연산. 공간적 불변성 확보.
    - **RNN (Recurrent Neural Networks):** 매 시간 단계(Time step)마다 동일한 전이 행렬을 사용하여 시퀀스 데이터 처리.
    - **Siamese Networks:** 두 개의 입력을 정확히 동일한 가중치를 가진 네트워크에 통과시켜 비교.
- **의의:** 과적합(Overfitting)을 방지하고 메모리 사용량을 절감하며, 데이터의 대칭성이나 반복되는 패턴을 포착하는 데 최적화된 도구.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 모든 파라미터가 자유로워야 더 똑똑할 것이라는 초기 직관을 깨고, 오히려 파라미터를 강제적으로 공유했을 때 모델이 데이터의 핵심적인 불변 특징(Invariant features)을 더 잘 배운다는 사실이 딥러닝의 폭발적 성장을 이끌었음.
- **정책 변화:** Antigravity 프로젝트는 멀티모달 에이전트 설계 시, 서로 다른 입력(이미지, 텍스트)에서 공통된 의미 공간을 추출하기 위해 공유된 가중치 층을 활용하는 임베딩 아키텍처를 적용함.

## 🔗 지식 연결 (Graph)
- Convolutional-Neural-Networks-CNN, Recurrent-Neural-Networks-RNN, [[Overfitting-and-Underfitting]], [[One-Shot-Learning]]
- **Raw Source:** 10_Wiki/Topics/AI/Parameter-Sharing.md