BERT为何被称为“自编码模型”？为何将BERT的训练过程称为“降噪”？

最近，阅读并调试了albert的预训练代码，对于BERT为何被称为“自编码”模型有了更深的理解，在这里稍作介绍：

**注：我文中所提到的albert/BERT为预训练而准备的对数据做[MASK]的code在这里：prepare_lm_data_ngram.py

正文开始…

该函数涉及了多种噪声引入方式，非常形象地阐释了为什么BERT被称为"自编码"模型，以及为什么把BERT对预训练输入的处理称为"加噪声"，以及为何会将"自编码"过程（即预训练的训练过程）称为"降噪"。“噪声"是BERT故意在[MASK]阶段引入的，而训练过程，就是将[MASK]还原的过程，即将引入的噪声消除，故称"降噪”。

那么BERT/ALBERT采取了哪些噪声引入方式呢？

1. 选取15%的token做mask --> 最常规做法，也是MLM的基础；
2. 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；
3. 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；
4. 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；
5. 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；

一种防止pretrain和fine-tune的mismatch方法：

• 将10%的句子设置为短句（即长度在0~512之间的任意值）