本文提出了一种针对PETL模型的剪枝方法SLS，通过特征级分析评估参数重要性，有效解决冗余参数问题。SLS在VTAB-1k基准测试中优于传统剪枝方法，提升了模型的存储效率和准确性，并动态识别冗余参数，确保剪枝过程不增加存储开销。

在神经网络剪枝中，评估参数重要性通常通过计算损失函数的变化来实现。利用泰勒展开，可以加速这一过程，近似计算参数的重要性。通过损失函数的梯度和Hessian矩阵，使用泰勒展开的第一阶导数可以显著降低计算成本，从而提高参数剪枝的效率。