본 논문은 연합 학습(Federated Learning, FL)의 효율성을 높이기 위한 새로운 프레임워크인 AutoFLIP을 제시합니다. AutoFLIP은 연합 손실 탐색 단계를 기반으로 적응형 하이브리드 가지치기 기법을 사용하여, 비동일 분포(Non-IID) 데이터를 가진 클라이언트들의 손실 지형을 분석하여 모델의 구조적 및 비구조적 가지치기를 수행합니다. 이를 통해 계산 부담을 줄이고, 자원 제약이 있는 기기에서도 모델 성능을 향상시켜 더욱 포괄적이고 민주적인 모델 사용을 가능하게 합니다. 실험 결과, AutoFLIP은 계산 오버헤드 48.8%, 통신 비용 35.5% 감소 및 전역 정확도 향상을 달성했습니다.