본 논문은 자원 제약 환경에서의 심층 신경망(DNN) 배포 문제를 해결하기 위해, 다중 구성 요소 신경망 구조(MCNA)에 대한 구성 요소 인식 가지치기 전략을 제시합니다. 기존의 포괄적인 구조적 가지치기 프레임워크는 매개변수 의존성 분석에 기반하여 모델 크기를 줄이지만, MCNA에 적용 시 큰 매개변수 그룹을 제거하여 네트워크 무결성을 위험에 빠뜨릴 수 있습니다. 본 논문에서 제안하는 방법은 의존성 그래프를 확장하여 개별 구성 요소와 구성 요소 간의 흐름을 분리함으로써, 더 작고 목표 지향적인 가지치기 그룹을 생성하여 기능적 무결성을 유지합니다. 제어 작업에 대한 실험 결과, 제안된 방법은 더 높은 희소성과 감소된 성능 저하를 달성하여 복잡한 다중 구성 요소 DNN을 효율적으로 최적화하는 새로운 경로를 제시합니다.
