Methni/STEMO-SetFit

SetFit with sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-mpnet-base-v2 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: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 128 tokens
• Number of Classes: 6 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
Happy	'சரி பங்குக்கு மகிழ்ச்சி சொல்லுவோம். :raising_hands_medium-dark_skin_tone:' 'ජාතියක් විධියට පෘතුගාල ටිම් එක කාපු එකට සතුටු උනාට, ඔය "සිල්වා, පෙරේරා, අල්විස්" නම් තියෙන එවුන්ට ලොකු දුකක් ඇති.උන් ගැන හිතන්න එපා ඒ ඒකාලේ පෘතුග්\u200dරීසිකාරයන්ට රෙද්ද උස්සපු උන්ගේ දරුවෝ.' 'Library found the book தெய்வயோகம் is real'
Anger	'வைரமுத்து ஆண்டாள் சன்னதியில் மன்னிப்பு கேட்க வேண்டும் _ஜீயர்முதலில் தமிழ்த்தாய் வாழ்த்தை அவமதித்தகாஞ்சி பண்டாரநாயை தமிழ்தாய் சிலைமுன் மண்டிபோட்டு மன்னிப்பு கேட்க சொல்...' 'කෝපය කෝප්පයකට දාලා බිව්වනම් හොඳා :speak-no-evil_monkey::fire:' 'MR විදුලි පුටුවෙ ඉන්දුවට කමක් නෑ කියල. අප්\u200dරසන්නයි මචෝ. මොන දේශපාලනය කලත් ඒ තත්වෙට වටෙන්න එපා,'
Surprise	'இது ஆச்சரியம் தானே !பத்தில் ஒருவர் தான் ,இரவில் நிம்மதியாகத் துங்குகிறார்களாம்.-படுத்தால் தூக்கம் வராமல் தவிப்பவர்கள் ஏராளம் .' "20 ரூ. டோக்கனுக்குப் பதிலாக, `திருநெல்வேலி அல்வா' ; ஆர்.கே.நகர்வாசிகளுக்குக் கிடைத்த அதிர்ச்சி! - Vikatan
Fear	'எரிஞ்சது பத்தலன்னு புகைச்சலில்ஊதிப் பெருக்க ஹரிஹர ராஜ ஷர்மா மதுரை விஜயம். மீனாட்சி அச்சம்.' 'රට යන විදිහට බය හිතෙනවා.. இது இப்படியே தொடர்ந்தால் நமக்கு எதிர்காலம் இருக்குமா?' 'அய்யா , அகோரம் இதெல்லாம் உமக்கே கோரமாக தெரியவில்லையா? :face_with_medical_mask::face_with_medical_mask:தமிழகம் பாவமய்யா.... :face_with_tears_of_joy::face_with_tears_of_joy: pic.twitter.com/ob7GeibgBD'
Sadness	'එදා බලද්දි හරියට දුක හිතුනා අමා. හරි අහිංසකයි තාත්තා. ඔයා වගේ දුවෙක් ලබපු එකම පිනක්' '- ஊரே கலவரத்துல இருக்கு - மக்களுக்கு என்ன ஆச்சோ ஏது ஆச்சோ என அனைவரும் (தலைவர்கள்)கவலையில் இருக்க - இவங்களுக்கு கூட்டம் ஒரு கேடு . மக்கள் மேல அக்கரை இல்லாத இவங்க கிட்ட ஆட்சியை வேர கொடுக்கனுமாம் .. கொடுமை …' 'ලෝකයේ පවතින අනිත්\u200dය බව වටහා නොගන්නා තාක් මිනිසා දුකෙන් පීඩා විඳියි.'
Disgust	'මම අද උදේට බත් කාල කොලකැඳ බිවුව කියන එක එලිසමය පිහිටන්න පේලි කඩල අන්තිම වචනේ ඇදල කිවුවම ඒ මනුස්සය අපිට සිරා කවොයෙක් වෙනව. හැබැයි ෆිල් ටි ඒ විදියටම රැප් කරනව. ඒක එයාගෙ හැකියාව. ඒත් මොකක්දෝ හේතුවක් උඩ අපිට ෆිල් ටි කියන මිනිහ අප්\u200dරසන්න වෙලා තියනව.' ':grinning_face::grinning_face::grinning_face:ඒ විතරක් නෙමේ අයියෙ ඔය සේරමත් කරලා සිංහලයයි බෞද්ධාගමත් මේ රටෙන් තුරන් කරපු දවසට ඔය හිටං තවත් සතුටු වෙයි' 'ඒ උනාට කෙල්ලො බොන එක අප්\u200dරසන්නයි. (තනියම)'

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("setfit_model_id")
# Run inference
preds = model("“යහපාලනේ” ඉහගෙන කන අප්‍රසන්න මුදල් ඇමතිගේ ලොතරැයි තියරිය … pic.twitter.com/x5sHjOZ5DT")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	14.9852	49

Label	Training Sample Count
Happy	182
Anger	160
Sadness	160
Fear	160
Surprise	191
Disgust	160

Training Hyperparameters

• batch_size: (16, 16)
• num_epochs: (1, 1)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 10
• body_learning_rate: (1e-05, 1e-05)
• head_learning_rate: 0.01
• 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: True

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0008	1	0.313	-
0.0395	50	0.2627	-
0.0789	100	0.2348	-
0.1184	150	0.1752	-
0.1579	200	0.1426	-
0.1973	250	0.1165	-
0.2368	300	0.0757	-
0.2762	350	0.0718	-
0.3157	400	0.0535	-
0.3552	450	0.0456	-
0.3946	500	0.0368	-
0.4341	550	0.0296	-
0.4736	600	0.0294	-
0.5130	650	0.0166	-
0.5525	700	0.0147	-
0.5919	750	0.006	-
0.6314	800	0.0049	-
0.6709	850	0.005	-
0.7103	900	0.0046	-
0.7498	950	0.0039	-
0.7893	1000	0.0038	-
0.8287	1050	0.0026	-
0.8682	1100	0.0024	-
0.9077	1150	0.0022	-
0.9471	1200	0.003	-
0.9866	1250	0.0013	-
1.0	1267	-	0.1362

Framework Versions

• Python: 3.12.13
• SetFit: 1.1.3
• Sentence Transformers: 5.3.0
• Transformers: 4.44.2
• PyTorch: 2.10.0+cu128
• Datasets: 4.0.0
• Tokenizers: 0.19.1

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}
}