자연 신호 (natural signals)의 가정된 희소 구조 (sparse structure)에 관한 특정 가설이 참이 되는 편리한 공간을 찾는 것은 최근 연구에서 바람직한 결과가 되었으며, 그 영향은 데이터 압축 (data compression), 노이즈 제거 (noise reduction), 특징 추출 (feature extraction)과 같은 분야에 반영되고 있습니다. DFT 또는 DCT와 같이 널리 사용되는 해석적 변환 (analytical transforms)은 이미 효율적인 알고리즘과 견고한 희소 표현 (sparse representations)을 제공하지만, 데이터에 대한 고정된 사전 정보 (fixed prior)를 가정하므로 더 제한적인 신호 클래스의 특정 구조를 정확하게 포착하지 못합니다. 이를 해결하기 위해, 문헌에서는 변환 도메인 (transform domain)에서의 잔차 항 (residual term)을 줄일 수 있는 데이터 적응형 학습 변환 (data-adaptive, learnt transform) 개념이 도입되었습니다. 보다 최근의 연구들은 이 맥락에서 조건수 (condition number)가 좋은 지표 역할을 한다는 것을 보여주었으며, 여기서 원하는 결과는 일반화 경향 (generalizing tendency)과 최소 근사 오차 (minimal approximation error)를 달성하는 경향 사이를 교차합니다. 이러한 고려 사항에 착안하여, 본 연구에서는 고정된 정준 행렬 (canonical matrix)과 이를 정교화하는 데이터 적응형 희소 성분 (refining data-adaptive sparse component)의 곱으로 공식화된, 구조화되고 명시적으로 조건화된 변환 (structured, explicitly conditioned transform)의 학습을 소개합니다. 이 접근 방식은 빠르고 안정적인 해석적 변환의 장점을 유지하면서 데이터에 대한 제어 가능한 적응성 (controllable adaptivity)을 도입하고자 합니다. 지금까지 이 특정 공식화와 관련된 참고 문헌은 확인되지 않았으며, 이는 본 연구의 신규성을 나타냅니다. 제안된 알고리즘은 부정확 근접 방법 (inexact proximal methods)의 프레임워크 내에서 동기를 부여받았으며, 새로 유도된 폐형 투영 연산자 (closed-form projection operator)를 활용합니다. 실증적 관찰 결과, 이중 희소 변환 학습 (doubly sparse transform learning) 문제에서 최첨단 (state-of-the-art) 결과를 보여주었으며, 밀집 변형 (dense variant)과 비교했을 때 훨씬 낮은 계산 비용으로 유사한 성능을 보이면서도 때로는 더 빠른 수렴과 나쁜 국소 최솟값 (bad local minima)을 더 잘 회피함을 입증하였습니다.