README.md

metadata

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: Кто претендует на предоставление общежития
  - text: На сколько специальностей можно подать документы?
  - text: Направления подготовки в вуцНа каком курсе начинается Военная кафедра
  - text: Приемная кампания
  - text: Я после колледжа. Как мне поступить?
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: cointegrated/rubert-tiny2
model-index:
  - name: SetFit with cointegrated/rubert-tiny2
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.8
            name: Accuracy

SetFit with cointegrated/rubert-tiny2

This is a SetFit model that can be used for Text Classification. This SetFit model uses cointegrated/rubert-tiny2 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

1. Fine-tuning a Sentence Transformer with contrastive learning.
2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

• Model Type: SetFit
• Sentence Transformer body: cointegrated/rubert-tiny2
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 2048 tokens
• Number of Classes: 8 classes

Model Sources

• Repository: SetFit on GitHub
• Paper: Efficient Few-Shot Learning Without Prompts
• Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
2	'Как получить дополнительные баллы для поступленияКак получить дополнительные баллы' 'Как получить доп баллы' 'Расскажи о допполнительных баллах при поступлении'
6	'Какие есть вступительные испытания?' 'Внутренние экзамены для поступления' 'Экзамены для поступления'
1	'Какие документы нужны для поступления' 'Необходимые документы для поступления' 'Документы на поступление каким способом подать можно?'
0	'Приемная кампания в вузе' 'Как долго длится приемная кампания' 'Длительность приемной кампании'
4	'Военный учебный центр' 'Программы подготовки в ВУЦ' 'Как поступить на военную кафедру'
7	'Кто может жить в общежитии?' 'Как попасть в общагу?Как попасть в общежитии?' 'Кто может жить в общаге?'
5	'Как поступить в вуз после колледжа?' 'Как поступить в Вуз после колледжа' ''
3	'На сколько направлений подготовки можно подать документы?' 'На сколько специальностей можно подать документы?'

Evaluation

Metrics

Label	Accuracy
all	0.8

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("Maxim01/Intent_Classification_Test")
# Run inference
preds = model("Приемная кампания")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	4.4103	9

Label	Training Sample Count
0	6
1	8
2	5
3	2
4	5
5	4
6	4
7	5

Training Hyperparameters

• batch_size: (8, 8)
• num_epochs: (1, 1)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 20
• body_learning_rate: (2e-05, 2e-05)
• head_learning_rate: 2e-05
• loss: CosineSimilarityLoss
• distance_metric: cosine_distance
• margin: 0.25
• end_to_end: False
• use_amp: False
• warmup_proportion: 0.1
• l2_weight: 0.01
• seed: 42
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0051	1	0.1228	-
0.2564	50	0.1409	-
0.5128	100	0.0783	-
0.7692	150	0.0682	-

Framework Versions

• Python: 3.11.12
• SetFit: 1.1.2
• Sentence Transformers: 3.4.1
• Transformers: 4.51.3
• PyTorch: 2.6.0+cu124
• Datasets: 3.5.1
• Tokenizers: 0.21.1

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}