Causal / Masked Attention
Causal·Masked Attention
Causal Mask는 생성 모델이 현재 위치에서 미래 Token을 보지 못하도록 Attention score를 가립니다. Next-token prediction의 정보 누수를 막습니다.
WHY SHOULD I KNOW THIS?
왜 알아야 하나?
Attention을 이름만 암기하지 않고 실제 데이터가 변환되는 과정을 이해하기 위한 핵심 연결점입니다. 이후 Transformer·LLM 학습에서 이 흐름이 반복해서 사용됩니다.
WHERE IS IT USED?
어디에 사용되나?
TransformerLLMVision Transformer멀티모달
TRANSFORMER FLOW
01Token→
02Embedding→
03Attention→
04Add & Norm→
05FFN→
06Output
QUERY cat
QKᵀ / √d → Softmax → Σ(weight × V)
ATTENTION WEIGHTS
각 막대는 현재 Query가 각 Key/Value를 얼마나 참고하는지 나타냅니다.
Σ weights = 1.00
Σ weights = 1.00
INTERACTIVE CONCEPT LABATTENTION LAB
CURRENT STAGE1 / 6 · Token
Causal mask
노드를 클릭하거나 PLAY FLOW를 눌러 정보가 어떻게 이동하는지 단계별로 확인하세요. 슬라이더는 시각적 영향도를 조절합니다.
이 Topic에서 알아야 할 핵심
✓Causal mask
✓Future token blocking
✓Autoregressive
✓-∞ before softmax
이해 확인 질문
Q1학습 중 정답 문장이 모두 있어도 미래 token을 가려야 하는 이유는?
Q2Mask가 softmax 전에 적용되는 이유는?
CATEGORY
ATTENTIONTransformer의 핵심인 Attention 계산을 Q/K/V 이전부터 단계별로 분해합니다.
CURRENT PATH
11.11 Causal / Masked Attention이 Topic의 위치와 앞뒤 순서를 항상 Curriculum 기준으로 유지합니다.