最近、ニューラルネットワークの手法は、多くの言語で手動で作成された特徴量を必要とせずに、固有表現認識（Named Entity Recognition: NER）タスクにおいて最先端（State-of-the-Art: SOTA）の結果を達成しています。しかし、これらのモデルは依然として手動でアノテーションされた学習データを必要とし、多くの言語ではそのようなデータが利用できません。本論文では、双方向辞書や並行データに依存することなく、完全に教師なしで一つの言語から別の言語へNERの知識を転送できる教師なし多言語NERモデルを提案します。当該モデルは、単語レベルでの敵対的学習とパラメータ共有および特徴量強化を使用した拡張ファインチューニングを通じてこれを実現します。5つの異なる言語に対する実験により、当該手法の有効性が示され、既存のモデルを大幅に上回り、各言語ペアに対して新たなSOTAを設定しました。