2nd/10_Wiki/Topics/AI_and_ML/Sparse Attention.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-sparse-attention	Sparse Attention	10_Wiki/Topics	needs_review	self	P-Reinforce-AUTO-SATT-001	none	A	1.0	auto-reinforced sparse-attention dsa attention-complexity efficiency deepseek		2026-05-04	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)	language framework unspecified unspecified

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.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 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, LLM Inference Optimization
• 비교 기술: Flash Attention (I/O 최적화 vs 연산 횟수 최적화)
• 연관 기술: Sliding Window Attention, Mixture of Experts (MoE), KV Cache

---

Last updated: 2026-05-04

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

💻 코드 패턴 (Code Patterns)

패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

• (TODO)

선택 B를 써야 할 때:

• (TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

• [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)