다중 측면 문장에서의 측면 용어 감성 분석 (Aspect-Term Sentiment Analysis, ATSA)은 효율성과 표현력 사이의 근본적인 트레이드오프(tradeoff) 문제에 직면해 있습니다. 기존 모델들은 각 측면(aspect)마다 문장을 다시 인코딩(re-encode)하거나, 심층 표현(deep representations)의 정적인 사용에 의존하여 중복된 계산과 제한된 적응성을 초래합니다. 본 연구에서는 Transformer의 깊이(depth)를 비용이 많이 드는, 쿼리 가능한(queryable) 자원으로 간주하고, 각 문장을 한 번만 인코딩하여 재사용 가능한 깊이 순서의 기질(substrate)을 구축하는 단일 패스(single-pass) 추론 프레임워크인 DABS를 제안합니다. 각 측면은 다시 인코딩할 필요 없이, 이 공유된 표현을 쿼리하여 관련 토큰과 추상화 수준(abstraction levels)을 선택적으로 읽어옵니다. 이는 공유된 문장 인코딩을 가벼운 측면 조건부 판독(aspect-conditioned readout)과 분리합니다. 네 가지 ATSA 벤치마크에 대한 실험 결과, DABS는 다중 측면 설정 (M >= 2)에서 엔드 투 엔드(end-to-end) 계산량을 최대 60%까지 줄이면서도 경쟁력 있는 성능을 달성함을 보여줍니다. 추가 분석에 따르면, 적응형 깊이 쿼리(adaptive depth querying)는 부정(negation) 및 대조(contrast)와 같이 언어적으로 복잡한 사례에서 가장 유익한 것으로 나타났습니다. 코드는 https://github.com/panzhzh/acl-dabs 에서 공개적으로 사용할 수 있습니다.