---
id: [[P-Reinforce|P-Reinforce]]-AUTO-SATT-001
category: Unified
confidence_score: 1.00
tags: [auto-reinforced, sparse-attention, dsa, attention-complexity, efficiency, deepseek]
last_reinforced: 2026-05-04
---

# [[Sparse Attention|Sparse Attention]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지능의 선택과 집중: 모든 토큰을 전부 비교하는 낭비를 버리고, 맥락상 가장 중요한 핵심 토큰들만 골라내는 '희소한 연결'을 통해 연산 복잡도를 $O(n^2)$에서 $O(n)$ 수준으로 낮춘 효율적 지능의 표본."

## 📖 구조화된 지식 (Synthesized Content)
Sparse Attention은 모든 토큰 간의 상관관계를 계산하는 대신, 특정 패턴이나 중요도에 따라 일부 토큰들만 선택적으로 참조함으로써 연산 및 메모리 비용을 획기적으로 줄이는 기술입니다.

1.  **기본 패턴**:
    *   **Sliding Window**: 인접한 토큰들(로컬 문맥)에만 집중합니다.
    *   **Global Tokens**: 중요한 위치(문장 시작 등)의 토큰을 전체가 공유하여 조망합니다.
    *   **Random/Fixed Patterns**: 사전에 정의된 규칙이나 무작위 연결을 통해 장거리 의존성을 보완합니다.
2.  **DSA (DeepSeek Sparse Attention)**:
    *   **Indexer-Selector 메커니즘**: 단순히 고정된 위치를 보는 것이 아니라, '인덱서'가 관련 있는 토큰을 먼저 찾고 '셀렉터'가 그 하위 집합에 대해서만 어텐션을 수행합니다.
    *   **의의**: 정확도 손실을 최소화하면서 100만 토큰 이상의 초장거리 컨텍스트를 스케일링할 수 있게 합니다.
3.  **장점**:
    *   시퀀스 길이에 따른 연산량 증가를 선형($O(n)$)으로 억제하여 대규모 데이터 처리가 가능해집니다.
    *   KV 캐시의 메모리 압박을 줄여 추론 효율성을 높입니다.

## ⚖️ Trade-offs & Caveats
*   **정보 손실 위험**: 중요한 토큰을 놓칠 경우 모델의 추론 능력이 저하될 수 있습니다(Lost in the middle 현상 등). 이를 방지하기 위한 정교한 하이브리드 아키텍처(예: Gemma 4의 Local-Global 교차 방식)가 요구됩니다.
*   **구현 복잡성**: 표준 Dense Attention에 비해 인덱싱, 선택 로직 등 아키텍처가 복잡하여 시스템 통합 및 최적화에 높은 기술력이 필요합니다.

## 🔗 지식 연결 (Graph)
*   **상위 개념**: [[Attention Mechanisms|Attention Mechanisms]], [[LLM Inference Optimization|LLM Inference Optimization]]
*   **비교 기술**: [[Flash Attention|Flash Attention]] (I/O 최적화 vs 연산 횟수 최적화)
*   **연관 기술**: [[Sliding Window Attention|Sliding Window Attention]], [[Mixture of Experts (MoE)|Mixture of Experts (MoE)]], [[KV Cache|KV Cache]]

---
*Last updated: 2026-05-04*