본 연구는 외부 교란으로 인해 에이전트 간 상호작용이 깨지는 상황에서도 협력이 중요한 다중 에이전트 강화 학습(MARL)의 취약점을 다룹니다. 상호작용 구조 자체가 손상되는 공격에 대한 대비책이 부족한 기존 연구를 보완하기 위해, 상호작용 파괴 적대적 학습(IBAL) 프레임워크를 제안합니다. 실험 결과, IBAL은 다양한 공격 환경에서 기존의 강건한 MARL 방법보다 성능이 우수하며, 에이전트 누락 상황에서도 더 강력한 성능을 보였습니다.