구조적 프루닝 (Structured pruning)은 동형 암호 (Homomorphic Encryption, HE) 환경에서 신경망 추론을 가능하게 하는 데 필수적이지만, 모델의 신뢰성에 미치는 영향은 아직 탐구되지 않았습니다. 본 논문은 프루닝된 CKKS 암호화 신경망의 체계적인 신뢰성 특성을 제시하고, 본질적으로 신뢰성을 인식하는 구조적 프루닝 방법인 다항식 민감도 인식 프루닝 (Polynomial-Sensitivity-Aware Pruning, PSAP)을 소개합니다. PSAP는 가중치 크기 (weight magnitude), 다항식 활성화 민감도 (polynomial activation sensitivity), 그리고 회전 비용 (rotation cost)을 결합하여 필터를 점수화하며, 이를 통해 결함 허용 (fault-tolerant) 영역에 프루닝을 집중시킵니다. 두 가지 아키텍처, 두 가지 데이터셋, 두 가지 수치 표현 방식, 그리고 다섯 가지 비트 오류율 (BER) (40개의 전체 모델 및 108개의 레이어별 실험)에 걸쳐 테스트한 결과, PSAP로 프루닝된 모델은 치명적인 성능 저하 (>10 pp 정확도 하락)를 유발하는 레이어를 최대 2개로 제한한 반면, 크기 기반 프루닝 (magnitude-pruned) 베이스라인은 5~14개에 달했습니다. 이는 int32 비트 플립 (bit-flip) 주입 상황에서 최악의 취약성을 최대 29배까지 감소시킵니다. 직접적인 CKKS 암호화 결함 주입 (fault injection) 실험은 BER ~ 10^{-5} 근처에서 안전한 동작 경계가 형성됨을 나타내며, 이는 int32 주입이 보수적인 신뢰성 대리 지표 (reliability proxy)로서 유효함을 뒷받침합니다. 결함에 민감한 구조적 레이어는 전체 파라미터의 1.1%만을 차지하므로, 최소한의 오버헤드로 선택적 강화 (selective hardening)가 가능합니다. 이러한 신뢰성 이점은 경쟁력 있는 효율성과 함께 달성되었습니다. PSAP는 ResNet-32에서 Halevi--Shoup 회전을 최대 45.2%까지 줄이며, 적응형 혼합 차수 할당 (adaptive mixed-degree allocation) 방식은 곱셈 깊이 (multiplicative depth)를 66레벨에서 56레벨로 낮추어 부트스트래핑 (bootstrapping) 없이 레벨드 추론 (leveled inference)을 가능하게 합니다.