자연어 처리 (NLP)의 핵심 작업인 시퀀스 레이블링 (Sequence labelling)은 입력 문장의 각 토큰에 레이블을 할당하는 것으로 구성됩니다. 머신러닝 (Machine Learning) 관점에서 시퀀스 레이블링은 종종 신경망에 의해 매개변수화된 선형 체인 조건부 랜덤 필드 (Linear-Chain Conditional Random Field, CRF)로 정의됩니다. 이러한 접근 방식은 좋은 경험적 결과를 제공하지만, CRF는 유한한 결정 범위 (예: 레이블 바이그램 (label bigrams))를 가정하며, 이는 표현력을 제한하고 장거리 의존성 (long-range dependencies)이 필요할 때 성능을 저하시킬 수 있습니다. 우리는 레이블의 노이즈가 섞인 버전을 조건으로 하여 전체 레이블 시퀀스에 대해 조건화된 CRF를 학습시키기 위해 확산 (diffusion)을 활용할 수 있음을 보여줍니다. 우리는 실험을 통해 이 방법이 근사 CRF 추론 (approximate CRF inference)과 결합될 때, 품사 태깅 (POS-tagging)에서 오류를 16.5% 감소시키며 레이블 정확도를 향상시킨다는 것을 보여줍니다.