Inspirados en la poda sináptica del cerebro biológico, proponemos un método de poda sináptica basado en el tamaño que elimina progresivamente las conexiones de baja importancia durante el entrenamiento. Se puede aplicar a diversos modelos de predicción de series temporales, como RNN, LSTM y transformadores de series temporales de parches, reemplazando la pérdida de datos y se integra directamente en el bucle de entrenamiento. La importancia de los pesos se calcula en función del tamaño absoluto y se utiliza una programación cúbica para aumentar progresivamente la dispersión global. Al eliminar periódica y permanentemente los pesos de baja importancia y mantener el flujo de gradiente para los pesos activos, eliminamos la necesidad de realizar pasos separados de poda y ajuste.
