XLM来自于Facebook ai的论文《Cross-lingual Language Model Pretraining》。目前多数语言模型都是单语义（monolingual）模型，比如BERT、XLNET、google的T5等等。期望有一种语言模型可以实现多种语言的融合，然后在一种语言训练模型，通过XLM迁移到其他语言上。比如标注语料较多的英语，我们训练好EN-》DE的翻译模型，但是，像印地语这种比较少见的语言怎么训练它到DE的翻译呢？这种情况下通过XLM就可以实现印地语到英语的迁移，然后再翻译到DE的模型。
以上是XLM一个大致的描述。训练XLM使用两种方式：
1、无监督学习方式，仅仅依赖于各种语言的预料文本。
2、监督学习方式，使用平行语料的一个新的跨域语言模型。
我们通过XLM将任何句子编码到一个共享的embedding空间。之前很多工作达到这样的效果都需要大量的平行语料，也就是类似于翻译语料的东西。但是发现有些人提出的无监督机器翻译，不使用平行语料也可以获得较高的BLEU。所以XLM也借鉴了这种思想。
接下来介绍XLM的三个重要组成部分：
其中的两个完全无监督方式学习，其中的一个需要平行语料（parallel sentences）也就是需要通过监督的方式学习。如果无特殊说明，我们默认有N中语言，代表中句子的数量。
1、共享分词词典
所有语言通过BPE(Byte Pair Encoding)创建共享词典，这样共享了各种字符或者一些恰当的发音。学习BPE的时候，通过一定的概率在各个语言的数据集上采样。然后将采样的这些句子串联起来。每一种语言的采样概率如下：
上面的，按照上面采样增加了低资源语言的tokens数量，避免了字典向高资源语言偏移。
2、因果语言模型（CLM）
CLM模型就是通过前面的序列预测当前词出现的概率。公式：。
3、掩码语言模型(MLM)
这个任务和BERT的处理方式类似，仍然是随机掩盖句子中15%的token，80%的时间使用[MASK]掩盖，10%的时间从字典中随机挑选一个词，10%的时间保持不变。与BERT不同的是，输入不再是一个句子对，而是一个256的长句子，去除了BERT的NSP任务。
4、翻译语言模型(TLM)
CLM和MLM都是无监督学习方式，但是当存在平行语料时候，使用他们并不合适。这时候就需要翻译语言模型TLM(Translation Language Modeling)，TLM的引入可以提高XLM的效果。本文的TLM是MLM的一个扩展。我们将翻译语料对连接，然后在源语言和目标语言中均做随机mask。如下图：
如上图所示，如果预测英语中的mask，模型既可以关注周围的英文单词，也可以关注法语的翻译，这样可以使得模型将英语和法语对齐。并且在预测某个MASK英语单词时候，如果英文信息不足以预测出这个单词，法语上下文可以辅助预测。为了便于对齐，mask法语时候，我们会对其中位置进行错开。
5、跨域语言模型（XLM）
XLM的训练如果是纯无监督方式则，使用CLM、MLM。使用batch size为64，每个句子由连续的256个字符组成。每个batch的数据采样自同一种语言，采样概率公式和1中的类似，只是
XLM使用有监督方式则是MLM结合TLM或者CLM结合TLM。
以上是XLM中使用到的关键技术。
Facebook的最新论文《Unsupervised Cross-lingual Representation Learning at Scale》中使用RoBERTa，其中相对于本文的改进就是MLM那块，一个是使用了动态masking技术。把预训练的数据复制10份，每一份都随机选择15%的Tokens进行Masking，也就是说，同样的一句话有10种不同的mask方式。
另一个是每次输入连续的多个句子，直到最大长度512。
还有就是batch size增加到了8k。
使用更大容量的多语言文本数据集CommonCrawl data。训练时间更久。在各种迁移任务上又获得了state-of-art的效果。
接下来看看XLM怎么应用：
1、跨语言分类
首先看在多语言分类上的表现，这里使用数据集XNLI，它里面有15种不同的语言。这里的fine-tuning与bert的调优类似。我们首先利用XLM在英语NLI训练数据集上进行调优，然后我们在其他语言上测试。测试结果如下：
这个表显示了两种类型的结果无监督利用单语义和利用平行语料的有监督MLM结合TLM。TRANSLATE-TRAIN这一个是英语NLI训练数据集翻译成每种NLI，TRANSLATE-TEST是每个待测试的数据集翻译成英文。
2、无监督机器翻译
对比了多种不同的初始化方式对UNMT的影响
3、监督学习翻译
4、低资源语言模型
这里以尼泊尔语为例，这种语言在维基数据上只有100K句话，大约是海地语的6倍。
5、无监督跨域词嵌入