양자 신경망(QNNs)은 복잡한 데이터 작업에 유망한 기능을 제공하지만, 제한된 큐비트 자원과 높은 얽힘으로 인해 확장성과 효율성이 저해되는 경우가 많습니다. 본 논문에서는 적응형 임계값 가지치기(ATP)라는 인코딩 방법을 제시합니다. 이 방법은 얽힘을 줄이고 데이터 복잡성을 최적화하여 QNN에서 효율적인 계산을 수행합니다. ATP는 적응형 임계값을 기반으로 데이터에서 불필요한 특징을 동적으로 가지치기하여 양자 회로 요구 사항을 줄이면서 높은 성능을 유지합니다. 여러 데이터 세트에 대한 광범위한 실험을 통해 ATP가 얽힘 엔트로피를 줄이고 FGSM과 같은 적대적 훈련 방법과 결합하면 적대적 강건성을 향상시킨다는 것을 보여줍니다. 본 연구 결과는 ATP가 계산 효율성과 모델 복원력의 균형을 맞춰 적은 자원으로도 상당한 성능 향상을 달성한다는 것을 강조하며, 이는 실제 자원 제약 환경에서 QNN을 보다 실현 가능하게 만드는 데 도움이 될 것입니다.