신경망 매개변수화는 감독되지 않은 문법 유도 분야에서 크게 발전시켰습니다. 그러나 모든 가능한 해석에 대해 전통적인 우도 손실을 사용하여 이러한 모델을 학습시키는 것은 두 가지 문제를 악화시킵니다: 1) 구조적으로 모호한 최적의 문법 중 하나를 임의로 선택하는 $\textit{구조 최적화 모호성}$(structural optimization ambiguity), 2) 모델이 해석 트리를 구성하기 위해 규칙을 충분히 활용하지 않는 $\textit{구조 단순성 편향}$(structural simplicity bias). 이러한 도전 과제들은 감독되지 않은 신경망 문법 유도(UNGI)가 불가피한 예측 오류, 높은 분산, 그리고 정확한 예측을 위해 방대한 문법이 필요하게 만듭니다. 본 논문에서는 이러한 문제들의 원인에 대한 종합적인 분석을 제공하며, 해결책으로 $\textit{문장별 해석 집중}$(sentence-wise parse-focusing) 방법을 제안합니다. 이 방법은 동일한 데이터셋에서事前训练的解析器(pre-trained parsers)의 구조적 편향을 사용하여 각 문장당 평가 손실에 사용되는 해석 풀(parse pool)을 줄입니다. 감독되지 않은 파싱 벤치마크 테스트에서 우리의 방법은 성능을 크게 개선하면서 효과적으로 분산과 지나치게 단순한 해석으로의 편향을 줄였습니다. 우리의 연구는 더 간결하고 정확하며 일관된 명시적 문법 학습을 촉진하여 보다 나은 해석 가능성을 제공합니다.注：在翻译中，“事前训练的解析器”是中文表述，应该是“pre-trained parsers”的误译。正确的韩文翻译应为“사전 학습된 파서”。修正后的翻译如下：신경망 매개변수화는 감독되지 않은 문법 유도 분야에서 크게 발전시켰습니다. 그러나 모든 가능한 해석에 대해 전통적인 우도 손실을 사용하여 이러한 모델을 학습시키는 것은 두 가지 문제를 악화시킵니다: 1) 구조적으로 모호한 최적의 문법 중 하나를 임의로 선택하는 $\textit{구조 최적화 모호성}$(structural optimization ambiguity), 2) 모델이 해석 트리를 구성하기 위해 규칙을 충분히 활용하지 않는 $\textit{구조 단순성 편향}$(structural simplicity bias). 이러한 도전 과제들은 감독되지 않은 신경망 문법 유도(UNGI)가 불가피한 예측 오류, 높은 분산, 그리고 정확한 예측을 위해 방대한 문법이 필요하게 만듭니다. 본 논문에서는 이러한 문제들의 원인에 대한 종합적인 분석을 제공하며, 해결책으로 $\textit{문장별 해석 집중}$(sentence-wise parse-focusing) 방법을 제안합니다. 이 방법은 동일한 데이터셋에서 사전 학습된 파서(pre-trained parsers)의 구조적 편향을 사용하여 각 문장당 평가 손실에 사용되는 해석 풀(parse pool)을 줄입니다. 감독되지 않은 파싱 벤치마크 테스트에서 우리의 방법은 성능을 크게 개선하면서 효과적으로 분산과 지나치게 단순한 해석으로의 편향을 줄였습니다. 우리의 연구는 더 간결하고 정확하며 일관된 명시적 문법 학습을 촉진하여 보다 나은 해석 가능성을 제공합니다.