仮想対抗訓練（Virtual Adversarial Training: VAT）は、教師ありおよび半教師ありの設定においてモデルのロバスト性を向上させる強力な手法である。この手法は効果的であり、画像分類やテキスト分類の多くのタスクに容易に適用可能である。しかし、命名エンティティ認識（Named Entity Recognition: NER）をはじめとする系列ラベル付けタスクへの適用においては、その効果が顕著でないことが多く、その主な理由は従来のアプローチがVATを条件付き確率場（Conditional Random Field: CRF）と組み合わせることができなかったためである。CRFはラベル遷移に制約を課することにより、系列モデルの精度を著しく向上させるため、最新の多数の系列ラベル付けモデルアーキテクチャにおいて不可欠な構成要素となっている。本論文では、CRFを備えた系列ラベル付けモデルにVATを自然に適用できる手法として、SeqVATを提案する。実証的研究の結果、SeqVATは教師あり設定においてベースラインに対して顕著な性能向上を示すだけでなく、半教師あり設定においても最先端のアプローチを上回る結果を得た。