机器学习：自督导式学习模型

outline

自督导式模型有跨语言的能力

• 中文：DRCD的数据集
• 英文：SQuAD的数据集
  在104种语言上进行学习，并在英文上进行微调，结果在中文上效果也比较好。
  
  XTREME Benchmark
  只用英文进行微调，在其他剩下的语言中进行测试。
  
  bert可以无视语言的表象，只了解符合背后代表的语义。
  
  看看英文对中文相近的分数算出来，然后取平均值得到MRR，该值越大越好。
  
  
  语言的信息藏在哪里呢？通过embedding展示，相近的词更接近
  
  
  英文转化成向量后，并对其进行偏移向量后，能够重构为中文。
  
  

可以在英文上测试，并在中文上进行测试。中英文上的embedding是有点差距的。

自督导式模型有跨领域的能力

把DNA的组成替换成字符型的表示形式进行学习

用bert有明显的提升。不仅学到了语义信息，也学到了一些通用的能力，在其他领域也能有较好的性能，

在DNA 蛋白质 音乐上都有所帮助。

pre-trained模型有强化模型的能力

跨语言学习的能力用在语音回答系统。



终极状态：输入是语音，输出也是语音。

光用hubert是不行的，可以通过中间层后再加几层网络：

可以把Hubert的输出 丢给文字的预训练Bert

在人造的资料上训练Bert

通过规则生成一些tokens，并将tokens进行映射，之后再送到网络中进行学习。

• random产生的资料的效果不好
• pair产生资料的效果还是非常明显的
• shuffle产生的资料效果还是可以的
  
  token的序列长度是非常重要的。