---

一、domain adaptation领域适应

训练资料和测试资料分布不一样。
域转移domain shift:训练和测试数据有不同的分布。

domain shift

想法:通过源数据训练模型，然后通过目标数据微调模型
挑战:只有有限的目标数据，所以要小心过度拟合

domain adversarial training

希望他们的分布没有差异



右边的好一点，可以让他们远离界限，下面就是这种做法

domain generalization

没有未知领域的资料

二、自监督学习

多语言BERT的跨语言能力

无视不同语言的差别，了解语义。

MRR分数越高越好


实际上BERT在做QA的时候用的是同一种语言，可以看出语言之间是有差异的，只是没找到。

我们找到英文和中文符号之间的平均之后，得到差距，就能互换了

交叉学科能力

BERT在优化和generalization上都做的好



但是还是要有文字语音对应的资料

有没有可能只有语音资料呢？

训不了
把VQ进行离散化，加入自注意，不行：

把这些符号换成文字，可以实现：

用人工数据进行预训练

通过生成不同规则的人工数据，可以知道前期训练成功的关键因素是什么。

人工数据的预培训：与从头开始培训相比，平均绝对改进(%)
随机令牌上的预训练产生与从头开始训练相同的性能，没有用
成对资料有用：

产生连续编号的序列，打乱之后掩码，做的也比较好。

到底什么能力对NLP任务是有用的呢？
与从头开始培训相比，平均绝对改进(%)：

长序列对于任务是有用的。