자원 제약적인 엣지 플랫폼에서 대형 모델을 배포하기 위해 희소성이 필수적이지만, 개별 작업에 대한 희소성 패턴을 최적화하는 것은 잦은 작업 전환 시 발생하는 상당한 I/O 오버헤드를 무시한다. 이 논문은 매개변수 재사용을 최대화하여 전환 비용을 최소화하도록 설계된 온디맨드 다중 작업 희소성 프레임워크를 제시한다. 모놀리식 접근 방식과 달리, 가중치를 재사용 가능한 블록 단위로 분해하고 작업 간 희소 구조를 정렬하여 중첩을 최대화한다. 다음 작업에 필요한 작은 차등 블록 세트만 동적으로 로드함으로써, 기존 모놀리식 방식의 콜드 스타트 지연 시간을 효과적으로 완화한다. 실제 자율 주행 플랫폼에서의 실험을 통해, 이 프레임워크가 기존 희소성 방법보다 평균 6.6배 이상 작업 전환 속도를 가속화하여 우수한 전환 효율성을 달성함을 보여준다.
