본 연구는 대규모 언어 모델(LLMs) 내의 인구통계학적 편향(demographic bias)을 관리하고 향후 완화하기 위해 설계된 경량 구조적 개입 방법인 Fairness Pruning을 제시합니다. 이 방법의 기초적인 실증적 검증으로서, 본 연구는 인과적 편향 위치 파악(causal bias localization)에 집중합니다. 최소한의 대조적 프롬프트 쌍(minimally contrastive prompt pairs)과 추론 시점의 활성화 캡처(inference-time activation capture)를 사용하여, 이 방법은 GLU 아키텍처에서 인구통계학적 속성을 처리할 때 차등적으로 반응하는 뉴런을 식별하며, down_proj 입력에서의 신호를 평가합니다. 실증적 평가는 표준화된 벤치마크 평가와 질적 텍스트 생성 실험을 결합하여 최대 30억 개의 파라미터를 가진 모델(Llama-3.2 제품군 및 Salamandra-2B)을 대상으로 수행되었습니다. 결과에 따르면, 식별된 뉴런을 제로화(zeroing)하면 모델이 관련 인구통계학적 변수에 반응하는 방식이 변화함을 보여줍니다. 그러나 평탄한 완화(flat mitigation)를 생성하기보다는, 이 개입은 양방향 편향 불안정화(bidirectional bias destabilization)를 유발합니다. BiasScore는 부호가 없기(unsigned) 때문에, 후보 세트에는 고정관념을 강화하거나 반하는 뉴런이 섞여 있으며, 총체적 편향에 미치는 순 효과는 어떤 부호가 지배적인지에 따라 달라집니다. 이 개입은 매우 정밀합니다(extremely surgical). Llama-3.2-1B에서 대부분 40개 미만의 뉴런을 제로화했을 때(전체 MLP 너비의 0.031% 미만), 추론 및 일반 지식 능력에서 평균 99.49%의 유지율을 달성했습니다. 이러한 발견은 인구통계학적 편향 처리와 모델 능력이 분리 가능한 회로(dissociable circuits)에서 작동함을 실증적으로 확인하며, 맹목적인 제로화(blind zeroing)에서 방향성 있는 행동 조절(directional behavior modulation)로 전환하기 위한 방법론적 토대를 구축합니다.