การทำ Pruning หรือการตัดพารามิเตอร์ที่ไม่จำเป็นออกเพื่อให้โมเดล AI เล็กและเร็วขึ้น มักใช้วิธีดูจากขนาดพารามิเตอร์ (Magnitude Pruning) แต่งานวิจัยนี้เสนอวิธีที่ลึกซึ้งกว่าโดยใช้หลักการของ Fisher Information Metric เพื่อคำนวณระยะทางที่สั้นที่สุด (Geodesic Distance) ในพื้นที่ของแบบจำลอง (Model Space)
การใช้วิธีนี้ช่วยให้เราทราบถึง 'ผลกระทบที่แท้จริง' ต่อประสิทธิภาพของโมเดลเมื่อพารามิเตอร์หนึ่งๆ ถูกตัดออกไป ผลการทดสอบกับโมเดลหลากหลายรูปแบบทั้ง Fully-connected และ Vision Transformers บนชุดข้อมูล MNIST และ CIFAR-10 พบว่าวิธีนี้ให้ความแม่นยำสูงกว่าเทคนิคเดิมอย่างเห็นได้ชัดในทุกระดับของการตัดทอน นอกจากนี้ยังมีการเสนอสูตรการคำนวณแบบประมาณผลที่มีประสิทธิภาพสูง ทำให้สามารถนำไปใช้งานจริงได้โดยไม่เปลืองทรัพยากรคำนวณมากเกินไป
