S4 및 S4D 아키텍처를 포함한 구조적 상태 공간 모델 (Structured State Space Models, SSMs)은 최근 순차적 데이터(sequential data)에서 장기 의존성(long-range dependencies)을 포착하기 위한 어텐션 기반 모델(attention-based models)의 강력한 대안으로 부상했습니다. 강력한 실증적 성능에도 불구하고, 이러한 모델들은 계산 및 메모리 요구 사항으로 인해 시간 및 자원이 제한된 환경에 배포하는 데 여전히 어려움이 있습니다. 본 논문에서는 예측 성능을 유지하면서 추론 비용을 크게 줄이는 S4 및 S4D 기반 모델을 위한 새로운 점진적 연산자 수준 프루닝 (operator-level pruning) 접근 방식을 제안합니다. 우리가 알고 있는 바로는, 이는 SSM을 위한 구조적 연산자 프루닝 (structured operator pruning)을 체계적으로 조사한 첫 번째 연구입니다. 우리의 방법은 정확도와 추론 지연 시간 (inference latency)을 공동으로 모니터링하면서, 구조적 마스킹 (structured masking)과 미세 조정 (fine-tuning)을 교차하여 모델 연산자를 점진적으로 프루닝합니다. 우리는 효율성-정확도 트레이드오프 (efficiency-accuracy trade-offs)의 체계적인 탐색을 가능하게 하는 통합된 훈련 및 평가 프레임워크 내에서 이 접근 방식을 구현합니다. 여러 벤치마크 데이터셋에 걸친 실험 결과, 모델 연산자의 최대 70%를 프루닝하더라도 대부분의 경우 원본 모델의 성능을 유지하면서 추론 지연 시간을 실질적으로 줄일 수 있음을 보여줍니다. 이러한 결과는 구조적 연산자 프루닝이 SSM의 효율성을 향상시키기 위한 효과적이고 이전에는 탐구되지 않았던 전략임을 입증하며, 실제 자원 제한적 시나리오에서의 배포를 용이하게 합니다.