적대적 훈련(Adversarial Training, AT)은 신경망의 강력한 정규화 방법으로, 입력 변동에 대한鲁棒性을 달성하는 것을 목표로 합니다. 그러나 자연어 처리의 맥락에서 AT를 통해 얻은 강건성의 구체적인 효과는 아직 명확하지 않습니다. 본 논문에서는 AT를 활용한 신경 부사구 태깅 모델을 제안하고 분석합니다. 펜 트리뱅크 WSJ 코퍼스와 유니버설 의존성(Universal Dependencies, UD) 데이터셋(27개 언어)을 대상으로 수행한 실험에서, AT가 전체 태깅 정확도를 개선할 뿐만 아니라 1) 저자원 언어에서 과적합을 효과적으로 방지하고 2) 희귀 / 미등장 단어의 태깅 정확도를 향상시킨다는 것을 발견했습니다. 또한 3) AT에 의해 개선된 태깅 성능이 의존성 파싱과 같은 후속 작업에 기여하며, 4) AT가 모델이 더 깨끗한 단어 표현을 학습하는 데 도움이 된다는 점을 보여주었습니다. 5) 제안된 AT 모델은 다양한 시퀀스 라벨링 작업에서도 일반적으로 효과적임을 확인하였습니다. 이러한 긍정적인 결과들은 자연어 작업에서 AT의 더 많은 사용을 촉진합니다.注：在上述翻译中，“鲁棒性”是一个中文术语，正确的韩文术语应该是“강건성”。因此，修正后的翻译如下：적대적 훈련(Adversarial Training, AT)은 신경망의 강력한 정규화 방법으로, 입력 변동에 대한 강건성을 달성하는 것을 목표로 합니다. 그러나 자연어 처리의 맥락에서 AT를 통해 얻은 강건성의 구체적인 효과는 아직 명확하지 않습니다. 본 논문에서는 AT를 활용한 신경 부사구 태깅 모델을 제안하고 분석합니다. 펜 트리뱅크 WSJ 코퍼스와 유니버설 의존성(Universal Dependencies, UD) 데이터셋(27개 언어)을 대상으로 수행한 실험에서, AT가 전체 태깅 정확도를 개선할 뿐만 아니라 1) 저자원 언어에서 과적합을 효과적으로 방지하고 2) 희귀 / 미등장 단어의 태깅 정확도를 향상시킨다는 것을 발견했습니다. 또한 3) AT에 의해 개선된 태깅 성능이 의존성 파싱과 같은 후속 작업에 기여하며, 4) AT가 모델이 더 깨끗한 단어 표현을 학습하는 데 도움이 된다는 점을 보여주었습니다. 5) 제안된 AT 모델은 다양한 시퀀스 라벨링 작업에서도 일반적으로 효과적임을 확인하였습니다. 이러한 긍정적인 결과들은 자연어 작업에서 AT의 더 많은 사용을 촉진합니다.