背景：随着科技发展。出现处理更多的高维数据，比如图像、语音。1）传统的统计学-机器学习方法：由于数据维度过高，数据单调，噪声分布广，传统的特征工程很难奏效。2）降维方法，如线性学习的PCA降维方法。但很难解决非线性问题。3）CNN：利用卷积、降采样两大手段从信号数据的特点上很好的提取出了特征。但无法处理一般的非信号数据。
自动编码器 ：自动编码器基于这样一个事实：原始input 经过编码再解码后，得到x~，loss取x与x~的最大似然。自动编码器本身的设计，是为了得到中间的编码（提取的特征）。如果f和g是恒等映射，则毫无意义。因此，常常需要对y做一些约束。
其中的encoder 和decoder可以通过神经网络进行学习，神经网络的每一层都可以对信息进行非线性的变换。为了学习到有意义的特征，通常会给隐层加约束。1）隐藏维度< 输入数据维度，则网络试图以更小的维度去描述原始数据，而确保信息不丢失。类似PCA。
降噪自动编码器：一个模型，能够从有噪音的原始数据作为输入，而能够恢复出真正的原始数据。这样的模型，是更鲁棒
BERT：BERT是一种基于Transformer Encoder来构建的一种模型，它整个的架构其实是基于DAE（Denoising Autoencoder，去噪自编码器）的，这部分在BERT文章里叫作Masked Lanauge Model（MLM）。MLM并不是严格意义上的语言模型，因为整个训练过程并不是利用语言模型方式来训练的。BERT随机把一些单词通过MASK标签来代替，并接着去预测被MASK的这个单词，过程其实就是DAE的过程。BERT有两种主要训练好的模型，分别是BERT-Small和BERT-Large， 其中BERT-Large使用了12层的Encoder结构。 整个的模型具有非常多的参数。
那么BERT/ALBERT采取了哪些噪声引入方式呢？
选取15%的token做mask --> 最常规做法，也是MLM的基础；
随机做n-gram mask --> 概率上增加连续mask的数量。连续mask可以让cloze test更难；
50%概率交换两个文本段 --> 虽然这是为了NSP/SOP任务组数据，但这种方式客观上也引入了文本段层面的语义乱序——毕竟做MLM的时候模型不知道两文本段次序是否被换过；
15%的[MASK]中，80%->[MASK]/10%->origin/10%->random_token --> 论文已提，为了减少mismatch，这个严格而言不算引入噪声；
15%的token会进行文本乱序 --> 文本乱序，自然是引入噪声，但由于MLM任务只会对[MASK] token做预测，所以文本乱序可以说是间接引入噪声；
链接：https://blog.csdn.net/weixin_41712499/article/details/107034864
https://kexue.fm/archives/7038/comment-page-1
https://www.zhihu.com/question/41490383
https://zhuanlan.zhihu.com/p/108031414
