非監督表現学習アルゴリズムであるword2vecやELMoは、大量のラベルなしテキストを活用できるため、多くの監督型NLPモデルの精度を向上させています。しかし、これらの監督型モデルは主な訓練フェーズにおいてタスク固有のラベル付きデータのみから学習します。そこで、私たちはCross-View Training (CVT)という半教師あり学習アルゴリズムを提案します。CVTは、ラベル付きデータとラベルなしデータの組み合わせを使用して、Bi-LSTM文エンコーダーの表現を改善します。ラベル付き例では、標準的な教師あり学習が使用されます。ラベルなし例では、CVTは入力の限定された視点（例えば、文の一部だけ）しか見ることができない補助予測モジュールに、全体の入力を見る完全なモデルの予測結果と一致させるように教えます。補助モジュールと完全なモデルが中間表現を共有しているため、これにより完全なモデルも改善されます。さらに、私たちはCVTがマルチタスク学習と組み合わせると特に効果的であることを示しています。私たちは5つのシーケンスタグ付けタスク、機械翻訳、および依存関係解析でCVTを評価し、最先端の結果を得ました。