자연어 추론(NLI)을 위한 사전 훈련된 모델은 종종 부정과 같은 언어적 특징을 이해하기보다는 가짜 상관관계나 데이터 세트 인공물을 사용하여 벤치마크 데이터 세트에서 높은 성능을 달성합니다. 본 연구에서는 SNLI 데이터 세트에 fine-tuning된 ELECTRA-small 모델의 성능을 조사하고, 특히 부정 처리에 초점을 맞추었습니다. 모델이 부정 표현이 포함된 예제를 올바르게 분류하는 데 어려움을 겪는다는 것을 확인하고, 대비 집합 및 적대적 예제를 활용하여 훈련 데이터를 보강했습니다. 그 결과, 이 타겟 데이터 증강이 전체 성능에 부정적인 영향을 미치지 않으면서 부정 표현이 포함된 예제에 대한 모델의 정확도를 향상시켜 식별된 데이터 세트 인공물을 완화했음을 보여줍니다.
