En este artículo, proponemos una estrategia de poda basada en componentes para arquitecturas de redes neuronales multicomponente (MCNA) con el fin de abordar el problema de la implementación de redes neuronales profundas (DNN) en entornos con recursos limitados. Los marcos de poda estructural integrales existentes reducen el tamaño del modelo basándose en el análisis de dependencia de parámetros, pero pueden comprometer la integridad de la red al eliminar grandes grupos de parámetros al aplicarse a MCNA. El método propuesto expande el grafo de dependencia para separar los componentes individuales y los flujos entre ellos, generando así grupos de poda más pequeños y más orientados a objetivos, lo que preserva la integridad funcional. Los resultados experimentales en tareas de control demuestran que el método propuesto logra una mayor dispersión y una menor degradación del rendimiento, lo que presenta una nueva vía para optimizar eficientemente las DNN multicomponente complejas.
