深層学習モデルにおける刈り込みは，パラメータ数を削減するために有用である．一方，一般的な刈り込み手法は，モデルの訓練とすべてのパラメータに対するスコア付けを繰り返し実施する必要がある．アンサンブル学習モデルの刈り込みを行う場合，パラメータ数がさらに膨大となるため，刈り込みに要する計算量も膨大となる．本研究では，深層アンサンブル学習モデルに対する刈り込みにおいて，計算資源を分散して刈り込みを行う手法を提案する． 検証実験より，アンサンブル学習モデルに対する刈り込みは，極端に多くのパラメータを刈り込む場合を除いて，アンサンブルを取る学習器ごとに分割して実行可能であることを示した．