현대의 딥러닝 (DL) 워크로드는 자동차 시스템이나 하이퍼스케일 데이터 센터와 같은 안전 필수 영역에 점점 더 많이 배포되고 있으며, 이러한 환경에서는 일시적인 하드웨어 결함(transient hardware faults)이 시스템 신뢰성에 심각한 위협을 가합니다. 이러한 워크로드는 메모리 집약적이며, 그 정확한 기능은 일반적으로 에러 수정 코드 (Error Correction Codes, ECCs)를 사용하여 보호되는 메모리에 저장된 모델 매개변수에 크게 의존합니다. 본 논문에서는 이러한 모델에 대한 ECC의 영향을 연구하고, 우수한 신뢰성을 달성하는 두 가지 경량 대안을 제안합니다. 첫 번째 접근 방식인 MSET은 CNN 및 ViT 매개변수에서 가장 취약한 비트만 선택적으로 강화하며, 두 번째 접근 방식인 CEP는 세밀한 보호를 제공합니다.