Add SetFit model

a64b523 verified 10 months ago

10.6 kB

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: Как подать документы, если я нахожусь в другом городе?
  - text: Какие перспективы после окончания ВУЦ?
  - text: Как проходит апелляция по результатам экзаменов?
  - text: Как узнать, какие документы нужны для поступления на магистратуру?
  - text: Какие достижения учитываются для аспирантуры?
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: 0.7857142857142857
            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:

Fine-tuning a Sentence Transformer with contrastive learning.
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
4	'Как узнать результаты отбора в ВУЦ?' 'Как узнать, какие ВУЦ есть в моем регионе?' 'Какие экзамены принимаются в ВУЦ?'
1	'Как подать документы на платное отделение?' 'Как узнать, какие документы нужны для поступления на педагогические специальности?' 'Какие ошибки чаще всего допускают при подаче документов?'
3	'Как узнать, какие специальности доступны для дистанционного обучения?' 'Можно ли подать документы на специальности с разными условиями поступления?' 'Как узнать конкуренцию на специальность?'
2	'Сколько баллов можно получить за индивидуальные достижения?' 'Можно ли подать достижения после подачи документов?' 'Сколько максимум баллов можно получить за достижения?'
5	'Можно ли поступить на заочное отделение после колледжа?' 'Как подготовиться к вступительным экзаменам после колледжа' 'Можно ли поступить на бюджет после колледжа?'
7	'Какие документы нужны для заселения в общежитие?' 'Как узнать, есть ли свободные места в общежитии?' 'Какие условия проживания в общежитии?'
0	'Как узнать, что мои документы не потерялись?' 'Как подать заявление на несколько специальностей?' 'Какие сроки рассмотрения заявлений?'
6	'Какие ошибки чаще всего допускают на экзаменах?' 'Какие документы нужны на экзамен?' 'Как получить консультацию по вступительным испытаниям?'

Evaluation

Metrics

Label	Accuracy
all	0.7857

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("Какие перспективы после окончания ВУЦ?")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	6.7143	11

Label	Training Sample Count
0	33
1	32
2	32
3	33
4	31
5	15
6	15
7	33

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
0.0009	1	0.1623	-
0.0446	50	0.2355	-
0.0893	100	0.1756	-
0.1339	150	0.1501	-
0.1786	200	0.1329	-
0.2232	250	0.119	-
0.2679	300	0.1048	-
0.3125	350	0.0928	-
0.3571	400	0.0902	-
0.4018	450	0.0841	-
0.4464	500	0.0903	-
0.4911	550	0.0969	-
0.5357	600	0.0747	-
0.5804	650	0.0704	-
0.625	700	0.0809	-
0.6696	750	0.0793	-
0.7143	800	0.0711	-
0.7589	850	0.0687	-
0.8036	900	0.0726	-
0.8482	950	0.0718	-
0.8929	1000	0.0751	-
0.9375	1050	0.0635	-
0.9821	1100	0.0723	-

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}
}