La protección de la privacidad basada en muestras adversarias tiene sus propias ventajas en comparación con las protecciones de privacidad tradicionales. Las protecciones de privacidad basadas en muestras adversarias anteriores han sido principalmente centralizadas o no han considerado el problema de las limitaciones de los dispositivos de hardware al llevar a cabo la protección de la privacidad, especialmente en el dispositivo local del usuario. Este trabajo intenta reducir los requisitos de las protecciones de privacidad basadas en muestras adversarias en los dispositivos, haciendo que la protección de la privacidad sea más amigable localmente. Las protecciones de privacidad basadas en muestras adversarias dependen de modelos de aprendizaje profundo, que generalmente tienen un gran número de parámetros, lo que plantea desafíos para su implementación. Afortunadamente, se ha propuesto la técnica de poda estructural del modelo, que se puede emplear para reducir la cantidad de parámetros de los modelos de aprendizaje profundo. Basándonos en la técnica de poda del modelo Depgraph y las protecciones de privacidad basadas en muestras adversarias existentes AttriGuard y MemGuard, diseñamos dos protecciones de privacidad basadas en muestras adversarias mediante poda estructural, en las que el usuario obtiene los datos perturbados a través del modelo de aprendizaje profundo podado. Se realizan experimentos extensos en cuatro conjuntos de datos, y los resultados demuestran la eficacia de nuestra protección de privacidad basada en muestras adversarias mediante poda estructural.