敵対的訓練（Adversarial Training, AT）は、入力に微小な摂動を加えることでモデルのロバスト性を向上させることで、深層学習アルゴリズムに対して強力な正則化効果を示している。自然言語処理タスクにおいては、敵対的訓練により入力にノイズを加えることで単語レベルのロバスト性が得られ、テキスト分類において有益である。しかし、この手法は十分な文脈情報の強化を伴わず、チャンキングや固有表現認識（Named Entity Recognition, NER）といった系列ラベリングタスクにはそれほど効果が限定的である。この課題を解決するため、本研究では系列ラベリングにおける文脈情報に基づくロバスト性向上を目的として、マスク付き敵対的訓練（Masked Adversarial Training, MAT）を提案する。MATは、摂動を加えた入力からの敵対的損失を計算する際に、文内の一部の単語をマスクまたは置換することで、より文脈に依存した情報を活用したロバスト性の向上を実現する。実験の結果、本手法は系列ラベリングタスクにおける精度およびロバスト性において顕著な向上を示した。さらにELMo埋め込みを組み合わせることで、パラメータ数を大幅に削減しつつ、CoNLL 2000および2003ベンチマークにおいて、最先端の手法と同等または優れた性能を達成した。