저자들은 다국어 언어 모델 개발에서 소외된 저자원 언어 변종에 주목하며, 언어적 차이점을 활용하여 미지의 변종으로의 일반화를 가능하게 하는 새로운 프레임워크를 제안했습니다.
TOPping이라는 소스 선택 방법과 VACAI-Bowl이라는 경량화된 아키텍처를 통해 변종별 특징을 포착하고, 적대적 학습을 통해 변종 불변 특징을 학습합니다.
VACAI-Bowl과 TOPping을 결합하여 10개의 저자원 언어 변종에서 의존성 구문 분석 작업의 평균 54.62% 성능 향상을 달성했습니다.