README.md

---
language: en
license: apache-2.0
tags:
  - bert
  - vicreg
  - self-supervised-learning
  - contrastive-learning
  - lexical-substitution
  - pretraining
  - text-embeddings
---

# ducanhdinh/jepa_proof_vicreg_replace

BERT encoder pretrained from scratch với **VICReg + Lexical Substitution augmentation**.

## Augmentation strategy

Thay vì span masking, model này dùng **lexical substitution** để tạo view 2:

| | Mô tả |
|---|---|
| **View 1** | Câu gốc (không thay đổi) |
| **View 2** | 15–20% token ngẫu nhiên được thay bằng token ngữ nghĩa gần, dự đoán bởi BERT MLM (top-5, loại trừ token gốc) |

Quá trình tạo view 2 được thực hiện **offline 1 lần** trước khi train, không gọi BERT thêm lần nào trong vòng lặp training.

## Kiến trúc VICReg

```
Text → BERT (mean-pool) → z ∈ R^768 → Expander MLP → z' ∈ R^3072
                                                       ↑ VICReg loss áp dụng tại đây
```

| Loss term | Hệ số | Mô tả |
|---|---|---|
| Invariance | `25.0` | MSE giữa z1 và z2 (căn chỉnh hai views) |
| Variance | `25.0` | Giữ std của mỗi chiều ≥ 1 (chống collapse) |
| Covariance | `1.0` | Decorrelate các chiều embedding |

Expander gồm 3 lớp Linear-BatchNorm-ReLU (dim = `3072`).

## Thông số huấn luyện

| Tham số | Giá trị |
|---|---|
| Max sequence length | 256 |
| Batch size | 256 |
| Epochs | 10 |
| Learning rate | 0.0001 |
| Expander dim | 3072 |
| Mask ratio (lexsubst) | 0.15–0.2 |
| Top-k candidates | 5 |
| sim_coeff | 25.0 |
| std_coeff | 25.0 |
| cov_coeff | 1.0 |

## Cách dùng — BERT encoder (feature extraction)

```python
from transformers import BertModel, BertTokenizerFast
import torch

tokenizer = BertTokenizerFast.from_pretrained("ducanhdinh/jepa_proof_vicreg_replace")
bert      = BertModel.from_pretrained("ducanhdinh/jepa_proof_vicreg_replace/encoder")

encoded = tokenizer(
    ["Hello world!", "VICReg with lexical substitution."],
    return_tensors="pt",
    padding=True,
    truncation=True,
)
with torch.no_grad():
    out    = bert(**encoded)
    hidden = out.last_hidden_state          # (B, T, 768)
    mask   = encoded["attention_mask"].unsqueeze(-1).float()
    emb    = (hidden * mask).sum(1) / mask.sum(1).clamp(min=1)  # mean-pool → (B, 768)
```

## Cách dùng — Full model (encoder + expander)

```python
import torch
from text_vicreg_replace import TextVICRegReplace, VICRegReplacePretrainConfig

cfg   = VICRegReplacePretrainConfig()
model = TextVICRegReplace(cfg)
state = torch.load(
    hf_hub_download("ducanhdinh/jepa_proof_vicreg_replace", "pytorch_model.bin"),
    map_location="cpu",
)
model.load_state_dict(state)
model.eval()
```