本研究は、神経ネットワークの圧縮を可能にし、敵対的攻撃に対するロバスト性を保つための新しい手法「スコア空間鋭さを考慮した敵対的プルーニング（S2AP）」を提案する。従来の敵対的プルーニング法は、強固なモデルの事前トレーニング、重みプルーニング用のバイナリマスク選択、プルーニング後モデルのファインチューニングという三段階のプロセスを採用するが、スコア空間の最適化は鋭い局所最小値を生じやすく、それがマスク選択の不安定さやロバスト性の低下を招いていた。S2APは、重要度スコアを摂動し、それに対応するロバスト損失を最小化することにより、スコア空間の鋭さを最小化し、マスク選択を安定化させる。様々なデータセット、モデル、スパース性レベルでの実験によって、S2APが鋭さの最小化に効果的であり、敵対的プルーニング法のロバスト性を改善することが示された。