ニューラルネットワークのプルーニング方法は、効率性とトレーニングの難しさのバランスを取るための重要な技術です。本研究では、グラフ限界理論に基づく新しい理論的枠組みを提案し、無限幅の条件下でのスパースニューラルネットワークの特性を明らかにします。特に、プルーニングによって誘導される接続パターンが、ネットワークの幅が無限大に近づくと特定のグラフォンに収束することを示しました。これが各プルーニング手法の暗黙の構造バイアスを表しています。さらに、グラフォンニューラルタンジェントカーネル（Graphon NTK）を導出し、スパースネットワークのトレーニングダイナミクスを分析しています。この新しい枠組みにより、接続パターンがスパースアーキテクチャのトレーニング可能性に与える影響の理論的洞察が得られることが期待されます。