여러 중요한 학습 작업은 적절한 확률 분포 공간(space of probability distributions)에 대해 엔트로피 정규화된 목적 함수(entropy-regularized objective)를 최소화하는 문제로 공식화될 수 있습니다. 평균장 랑주뱅 역학 (Mean-field Langevin dynamics, MFLD)은 이러한 일반적인 맥락에서 계산을 용이하게 하며, 최소화값을 McKean--Vlasov 프로세스의 불변 분포(invariant distribution)로 설정합니다. 이 프로세스는 $N$개의 입자(particles)를 사용하여 수치적으로 이산화(discretized)할 수 있으며, 따라서 시뮬레이션이 가능합니다. 그러나 이 상호작용 입자 시스템(interacting particle system)을 시뮬레이션하는 것은 $N^2$ 차수의 계산 복잡도(computational complexity)를 가집니다. 최근의 커널 희소화 (kernel thinning) 연구에 영감을 받아, 우리는 각 입자가 크기가 $\mathcal{O}(N^{\frac{1}{2}})$인 희소 입자 코어셋 (thinned particle coreset)과만 상호작용하는 \texttt{KT-MFLD}를 제안합니다. 따라서 \texttt{KT-MFLD}는 계산 복잡도를 $N^{\frac{3}{2}}$ 차수로 줄이는 동시에, 완만한 정칙성 조건 (mild regularity conditions) 하에서 MFLD와 동일한 수렴 보장 (convergence guarantees)을 (로그 인자까지 포함하여) 달성합니다. 우리의 이론적 분석은 학생-교사 신경망 (student-teacher neural networks) 학습, 최대 평균 불일치 (maximum mean discrepancy)를 이용한 양자화 (quantization), 그리고 사후 베이지안 (post-Bayesian) 프레임워크에서의 예측 지향적 사후 분포 (predictively-oriented posteriors) 계산을 포함한 작업들을 통해 경험적으로 확인되었습니다.