Transformerアーキテクチャは、多様な自然言語処理タスクにおいて大きな成功を収めている。Transformerモデルの過剰パラメータ化は、より優れた性能を達成するために過適合を軽減するための多くの研究を促進している。いくつかの探索を通じて、ドロップアウトのような単純な技術が、適切な設計のもとでモデル性能を顕著に向上させることを明らかにした。そこで本論文では、Transformerモデルの学習にさまざまなドロップアウト技術を統合するアプローチを提案する。具体的には、細粒度から粗粒度まで異なる3つのドロップアウト技術——特徴ドロップアウト（feature dropout）、構造ドロップアウト（structure dropout）、データドロップアウト（data dropout）——を統合する手法、UniDropを提案する。理論的には、これらの3種類のドロップアウトが正則化の観点から異なる役割を果たすことを示した。実験的には、ニューラル機械翻訳およびテキスト分類のベンチマークデータセットを用いて検証を行った。広範な実験結果から、UniDropを導入したTransformerモデルは、IWSLT14翻訳タスクにおいて約1.5 BLEUの向上を達成し、強力な事前学習モデルであるRoBERTaをバックボーンとして用いても、分類タスクにおいてより高い精度を実現することが示された。