本研究提出了一种基于最小最大优化的掩膜学习新范式，旨在应对大语言模型（LLM）规模增长带来的部署与推理挑战，确保剪枝模型的结构均匀性并保持高性能。

本文研究了基于神经网络的插件分类器在二元分类设置中的性能，以其超出风险的度量为基准。研究了函数类别很大，但可以利用神经网络的逼近能力。最后，证明所获得的速率实际上是最小最大优化的，尽管存在一个对数因子。