자기지도 학습은 라벨이 없는 데이터를 활용하여 풍부한 특징 표현을 학습하는 데 유용한 강력한 패러다임으로 부상하였다. 그러나 자기지도 모델의 효능은 학습 중 사용되는 증강(augmentation)의 정도와 복잡성에 의해 종종 제한된다. 본 연구에서는 학습 과정을 도전하는 적대적(adversarial) 예시를 생성하도록 설계된 생성 네트워크를 통합함으로써 자기지도 학습을 향상시키는 새로운 프레임워크를 제안한다. 적대적으로 생성된 데이터를 통합함으로써, 본 방법은 세 가지 잘 알려진 자기지도 아키텍처—SimCLR, BYOL, SimSiam—를 확장하며 일반화 및 견고성을 개선한다. 우리는 CIFAR-10, CIFAR-100 및 Tiny ImageNet 데이터셋에서 본 접근법을 평가하였고, 기준(baseline) 모델 대비 분류 정확도에서 일관된 향상을 보임을 확인하였다. 특히, 제안한 방법은 모든 데이터셋과 학습 에폭에서 top-1 정확도에서 유의미한 향상을 달성하며 표준 자기지도 학습 기법을 능가한다. 이는 적대적 예시가 자기지도 모델의 특징 학습 능력에 상당히 기여할 수 있다는 우리의 가설을 뒷받침한다. 또한, 본 연구 결과는 생성 네트워크의 통합이 보다 고도화된 자기지도 학습 알고리즘 개발의 촉매 역할을 할 수 있음을 시사한다. 본 연구는 자기지도 학습에서의 적대적 학습(adversarial training) 잠재력과 다양한 영역에서의 응용을 탐색하는 향후 연구를 위한 기반을 제공한다.