目录

Story 1: Cross-lingual

Story 2: Cross-discipline

Story 3: Pre-training with artificial data

---

（story1和story2的内容在前面课程中有讲过，这里笔记部分不再详述）

Story 1: Cross-lingual

多语言BERT具有跨语言的能力，例如fine-tune在英文上，testing在中文上：

实验结果如下：

multilingual BERT不只是把不同语言同样意思的词汇对应在一起，它还存有语言的资讯

Story 2: Cross-discipline

self-supervised model不只有跨语言的能力，它还有跨学科的能力：

例如，用pre-train在英语上的BERT做DNA分类：

下图结果表明，在人类语言上pre-train，对于DNA的任务，在optimization和generalization上都有帮助：

跨学科的能力的应用举例——speech question answering：

上图中的model把speech question answering做起来，可以得到54 percent的F1 score。下图表格中绿色的线，代表先做语言辨识（把声音讯号转成文字），再在文字上面做question answering，它的正确率显然受到语音辨识正确率的影响。当语言辨识错误率为25%以上的时候，绿色线的F1 score就低于54 percent：

Story 3: Pre-training with artificial data

——在人造的资料上训练出BERT：

Pre-training on Artificial Data:

实验结果如下：

Pre-training on random tokens yields the same performance as training from scratch.——说明Data plays the role.