Bert和一些以Bert为基础的预训练模型的Mask区别

• BERT: 提出了MLM和NSP两个任务。MLM随机的MASK掉一些token, 然后根据上下文预测这些token。NSP预测句子B是否是句子A的下一句。简单来说就是一个自监督的完形填空机制。后来有人提出WWM, 即当一个词中的某一个字被mask掉，整个词都被mask掉。

• ERNIE: 采用三种masking策略：
Basic-Level Masking： 跟bert一样对单字进行mask，很难学习到高层次的语义信息；
Phrase-Level Masking： 输入仍然是单字级别的，mask连续短语，跟N-gram masking相似。；
Entity-Level Masking： 首先进行实体识别，然后将识别出的实体进行mask。

• XLNET: 为了解决预训练阶段出现[MASK] token，fine-tuning阶段没有[MASK] token这种不一致，作者提出了PLM, 并且将autoencoding改为autoregressive。

• ALBERT: 提出了两种减少模型参数的方式，第一是将Embedding 矩阵|V| * H分解为|V| * E 和 E * H两个小矩阵；第二是每一层transfomer block都共享参数。另外提出用SOP来替代NSP。

• RoBERTa: 在BERT基础上，做了如下的改进：1. 训练更长时间，用更大的batch，更长的输入序列长度，更多的训练数据。2. 去除NSP任务，并且使用dynamic masking。3.动态Masking：每次向模型输入一个序列时，都会生成一种新的Maks方式。即不在预处理的时候进行Mask，而是在向模型提供输入时动态生成Mask
而修改版静态Maksing：在预处理的时候将数据拷贝10份，每一份拷贝都采用不同的Mask，也就说，同样的一句话有10种不同的mask方式，然后每份数据都训练N/10个Epoch
动态Masking：

RoBERTa 更像是一个经过仔细调参后得到的 BERT 模型，并且使用了更大的数据集进行训练。
ALBERT 对 BERT 的参数量进行了压缩，并且能够减少分布式训练的开销。但是 ALBERT 并不能减少需要的计算量，因此模型在 inference 时的速度没有提升。

• ELECTRA: 采用一种Generator和Discriminator的架构，Generator: 一个小的MLM，在[MASK]的位置预测原来的词。Generator将用来把输入文本做部分词的替换。
Discriminator: 判断输入句子中的每个词是否被替换，即使用Replaced Token Detection (RTD)预训练任务，取代了BERT原始的Masked Language Model (MLM)。这种方式判别器只需要判断每个token是否被替换了（二分类），而不需要预测被替换的原token是什么。需要注意的是这里并没有使用Next Sentence Prediction (NSP)任务。

• MacBert: 即将句子中的原词，比如 语言模型，预测，概率 用它的近义词比如 语法建模，预见，几率 来替代。这种方式相对于用[MASK]标记来替代原词，减少了pre-training和fine-tuning不一致。即[MASK]只出现在pre-training阶段，不出现在fine-tuning阶段。