사전 학습 (Dictionary learning)은 최적화 및 확률론적 관점 모두에서 오랫동안 연구되어 왔습니다. 요소별 희소성 규제 (element-wise sparsity regularization, 예: L1 기반 희소 코딩 (sparse coding))를 사용하는 공식은 잘 확립된 확률론적 해석을 허용하지만, 전역적 제약 (global constraints)을 부과하는 많은 구조적 변형들은 명확하고 다루기 쉬운 생성적 관점 (generative view)이 부족합니다. 본 논문에서는 활성화된 사전 원자 (dictionary atoms)의 수에 대해 단순한 전역 규제를 부과하는, 실질적으로 효과적이지만 이론적으로는 아직 충분히 탐구되지 않은 사전 학습 방법론의 한 부류를 재조명하며, 이를 절약된 활성화를 사용하는 사전 학습 (Parsimoniously Activated Dictionary Learning, PADL)이라고 명명합니다. 우리는 PADL이 전역 활성화 패턴을 제어하는 보조 잠재 변수 (auxiliary latent variables)를 포함하는 구조적 생성 모델 (structured generative model) 하에서의 최대 사후 확률 추정 (maximum a posteriori estimation)과 동등한 공식으로 표현될 수 있음을 보여줍니다. 이러한 공식화를 통해 기존의 공식화 하에서는 얻기 어려웠던 일반화 보장 (generalization guarantees)을 도출할 수 있습니다. 더 중요한 것은, 이것이 희소성 (sparsity), 저장 비용 (storage cost), 그리고 재구성 정확도 (reconstruction accuracy) 사이의 트레이드오프에 대한 분석적 특성화를 제공하여, 데이터 기반의 최적 하이퍼파라미터 (hyperparameters) 추정을 가능하게 한다는 점입니다. 이러한 연결 관계를 바탕으로, 우리는 수동적인 하이퍼파라미터 튜닝을 제거한 효율적이고 해석 가능한 PADL 알고리즘을 개발하였으며, 시각적 벤치마크 (visual benchmarks)에서 유사한 희소성 수준 하에 개선된 재구성 성능을 달성했습니다. 나아가 우리는 시각-언어 모델 (vision-language models)의 추론을 가속화하는 데 있어 PADL의 실질적인 유용성을 입증합니다.