Pruning (Przycinanie) – usuwanie niepotrzebnych połączeń w sieci neuronowej.

Technika ta polega na redukcji liczby połączeń (wag) w sztucznej sieci neuronowej poprzez trwałe usunięcie tych, które są uznawane za nieistotne lub mają niewielki wpływ na końcowy wynik działania modelu. Przycinanie może przebiegać zarówno w trakcie treningu, jak i po jego zakończeniu, a jego celem jest uproszczenie architektury sieci bez znaczącej utraty jakości predykcji.

Stosowanie tej metody pozwala na zmniejszenie złożoności modelu, co przekłada się na mniejsze zapotrzebowanie na pamięć oraz szybsze działanie podczas inferencji. Ponadto, przycinanie może przeciwdziałać nadmiernemu dopasowaniu do danych treningowych (przeuczeniu), poprawiając tym samym uogólnianie. W praktyce przycinanie realizowane jest różnymi strategiami, m.in. poprzez usuwanie połączeń o wagach bliskich zeru lub stosowanie zaawansowanych algorytmów optymalizacyjnych.