연구진은 다면적 문장의 Aspect-Term Sentiment Analysis (ATSA)에서 효율성과 표현력 간의 균형 문제를 해결하기 위해 DABS 프레임워크를 제안했어요. DABS는 문장을 한 번만 인코딩하여 재사용 가능한 심층 구조를 구축하고, 각 측면이 이 구조를 쿼리하여 관련 토큰과 추상화 수준을 선택적으로 읽도록 설계돼요.
기존 모델 대비 DABS는 종단간 연산량을 최대 60%까지 줄이면서 네 가지 ATSA 벤치마크에서 경쟁력 있는 성능을 달성했어요. 특히 부정이나 대조와 같은 언어적으로 복잡한 경우에 심층 쿼리 방식이 효과적이라는 점이 확인돼요.
DABS의 코드는 GitHub에서 공개되어 있으며, 연구 결과는 Transformer 깊이를 활용한 효율적인 감성 분석 모델 개발에 기여할 것으로 기대돼요.