Hugging Face's logo

faodl
/
model_cca_multilabel_mpnet-65max-data-augmented-v03

Text Classification
setfit
Safetensors
sentence-transformers
xlm-roberta
generated_from_setfit_trainer
text-embeddings-inference
Model card Files
xet
Community
model_cca_multilabel_mpnet-65max-data-augmented-v03 / README.md
lgsilvaesilva's picture
lgsilvaesilva
Push model using huggingface_hub.
6edb31c verified
preview code
|
raw
history blame contribute delete
38.7 kB
metadata 
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      Encourage interoperability of farm-management systems with national tax
      and regulatory reporting to reduce administrative burden.
  - text: >-
      Support critical infrastructure investments for rural bioenergy supply
      chains, including feedstock storage, processing facilities, and logistics,
      to reduce post-harvest losses and strengthen resilience.
  - text: >-
      Policy coherence will be strengthened by aligning agricultural, forestry,
      and fisheries policies with international instruments on biodiversity and
      sustainable use of ecosystems, ensuring that area restoration and
      sustainable fishing goals are mutually reinforcing. The approach will be
      backed by sectoral budgets and performance-based support to encourage
      early adoption.
  - text: >-
      Financing windows will be created to de-risk early-stage bioenergy
      ventures, including blended finance and concessional lending.
  - text: >-
      Foster regional integration to broaden market access, reduce dependence on
      a narrow product mix, and enhance resilience of the agrifood trade profile
      in the face of global price volatility.
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: false
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2

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 OneVsRestClassifier 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 Sources

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("faodl/model_cca_multilabel_mpnet-65max-data-augmented-v03")
# Run inference
preds = model("Financing windows will be created to de-risk early-stage bioenergy ventures, including blended finance and concessional lending.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 1 47.2721 947

Training Hyperparameters

  • batch_size: (8, 8)
  • num_epochs: (2, 2)
  • max_steps: -1
  • sampling_strategy: oversampling
  • num_iterations: 10
  • 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
0.0001 1 0.3187 -
0.0032 50 0.2107 -
0.0065 100 0.2079 -
0.0097 150 0.2015 -
0.0130 200 0.2011 -
0.0162 250 0.1917 -
0.0194 300 0.187 -
0.0227 350 0.1892 -
0.0259 400 0.1726 -
0.0291 450 0.1776 -
0.0324 500 0.1685 -
0.0356 550 0.176 -
0.0389 600 0.1646 -
0.0421 650 0.1689 -
0.0453 700 0.1577 -
0.0486 750 0.1466 -
0.0518 800 0.1534 -
0.0551 850 0.1606 -
0.0583 900 0.149 -
0.0615 950 0.1414 -
0.0648 1000 0.1357 -
0.0680 1050 0.1483 -
0.0713 1100 0.1302 -
0.0745 1150 0.14 -
0.0777 1200 0.1479 -
0.0810 1250 0.1496 -
0.0842 1300 0.1308 -
0.0874 1350 0.1509 -
0.0907 1400 0.15 -
0.0939 1450 0.1516 -
0.0972 1500 0.1319 -
0.1004 1550 0.1349 -
0.1036 1600 0.1398 -
0.1069 1650 0.1276 -
0.1101 1700 0.1309 -
0.1134 1750 0.1408 -
0.1166 1800 0.1416 -
0.1198 1850 0.1371 -
0.1231 1900 0.1266 -
0.1263 1950 0.1257 -
0.1296 2000 0.1337 -
0.1328 2050 0.1475 -
0.1360 2100 0.1412 -
0.1393 2150 0.1412 -
0.1425 2200 0.1281 -
0.1457 2250 0.1293 -
0.1490 2300 0.1186 -
0.1522 2350 0.142 -
0.1555 2400 0.1327 -
0.1587 2450 0.1356 -
0.1619 2500 0.1357 -
0.1652 2550 0.1235 -
0.1684 2600 0.1448 -
0.1717 2650 0.1274 -
0.1749 2700 0.1138 -
0.1781 2750 0.13 -
0.1814 2800 0.1231 -
0.1846 2850 0.1258 -
0.1878 2900 0.1148 -
0.1911 2950 0.1249 -
0.1943 3000 0.1281 -
0.1976 3050 0.1239 -
0.2008 3100 0.1205 -
0.2040 3150 0.1265 -
0.2073 3200 0.1371 -
0.2105 3250 0.1285 -
0.2138 3300 0.1365 -
0.2170 3350 0.1344 -
0.2202 3400 0.1329 -
0.2235 3450 0.1393 -
0.2267 3500 0.1313 -
0.2300 3550 0.1141 -
0.2332 3600 0.1255 -
0.2364 3650 0.1239 -
0.2397 3700 0.1215 -
0.2429 3750 0.1208 -
0.2461 3800 0.1339 -
0.2494 3850 0.1298 -
0.2526 3900 0.1275 -
0.2559 3950 0.126 -
0.2591 4000 0.1106 -
0.2623 4050 0.1301 -
0.2656 4100 0.1066 -
0.2688 4150 0.1309 -
0.2721 4200 0.1205 -
0.2753 4250 0.1371 -
0.2785 4300 0.1215 -
0.2818 4350 0.1204 -
0.2850 4400 0.1183 -
0.2882 4450 0.1189 -
0.2915 4500 0.1129 -
0.2947 4550 0.115 -
0.2980 4600 0.1152 -
0.3012 4650 0.1122 -
0.3044 4700 0.1217 -
0.3077 4750 0.103 -
0.3109 4800 0.1203 -
0.3142 4850 0.1253 -
0.3174 4900 0.1123 -
0.3206 4950 0.1262 -
0.3239 5000 0.1115 -
0.3271 5050 0.1219 -
0.3304 5100 0.1185 -
0.3336 5150 0.1242 -
0.3368 5200 0.123 -
0.3401 5250 0.1055 -
0.3433 5300 0.116 -
0.3465 5350 0.1173 -
0.3498 5400 0.1116 -
0.3530 5450 0.1173 -
0.3563 5500 0.107 -
0.3595 5550 0.1052 -
0.3627 5600 0.1119 -
0.3660 5650 0.1116 -
0.3692 5700 0.1153 -
0.3725 5750 0.1039 -
0.3757 5800 0.1187 -
0.3789 5850 0.1106 -
0.3822 5900 0.111 -
0.3854 5950 0.1018 -
0.3887 6000 0.1065 -
0.3919 6050 0.1044 -
0.3951 6100 0.1037 -
0.3984 6150 0.0991 -
0.4016 6200 0.0984 -
0.4048 6250 0.1058 -
0.4081 6300 0.0954 -
0.4113 6350 0.0883 -
0.4146 6400 0.1077 -
0.4178 6450 0.1134 -
0.4210 6500 0.1079 -
0.4243 6550 0.0996 -
0.4275 6600 0.1045 -
0.4308 6650 0.1151 -
0.4340 6700 0.1062 -
0.4372 6750 0.1077 -
0.4405 6800 0.1133 -
0.4437 6850 0.1096 -
0.4469 6900 0.1017 -
0.4502 6950 0.0972 -
0.4534 7000 0.0955 -
0.4567 7050 0.0986 -
0.4599 7100 0.0942 -
0.4631 7150 0.1093 -
0.4664 7200 0.0908 -
0.4696 7250 0.1165 -
0.4729 7300 0.0979 -
0.4761 7350 0.0915 -
0.4793 7400 0.0824 -
0.4826 7450 0.0988 -
0.4858 7500 0.112 -
0.4891 7550 0.0997 -
0.4923 7600 0.1013 -
0.4955 7650 0.1119 -
0.4988 7700 0.1087 -
0.5020 7750 0.1037 -
0.5052 7800 0.0995 -
0.5085 7850 0.0913 -
0.5117 7900 0.1006 -
0.5150 7950 0.0916 -
0.5182 8000 0.0861 -
0.5214 8050 0.1135 -
0.5247 8100 0.0956 -
0.5279 8150 0.1007 -
0.5312 8200 0.0898 -
0.5344 8250 0.1079 -
0.5376 8300 0.093 -
0.5409 8350 0.0957 -
0.5441 8400 0.0945 -
0.5474 8450 0.0929 -
0.5506 8500 0.0933 -
0.5538 8550 0.0948 -
0.5571 8600 0.0793 -
0.5603 8650 0.0888 -
0.5635 8700 0.0835 -
0.5668 8750 0.0809 -
0.5700 8800 0.1069 -
0.5733 8850 0.0885 -
0.5765 8900 0.089 -
0.5797 8950 0.1028 -
0.5830 9000 0.0842 -
0.5862 9050 0.0946 -
0.5895 9100 0.0989 -
0.5927 9150 0.0827 -
0.5959 9200 0.0798 -
0.5992 9250 0.0855 -
0.6024 9300 0.091 -
0.6056 9350 0.0905 -
0.6089 9400 0.0844 -
0.6121 9450 0.0783 -
0.6154 9500 0.0838 -
0.6186 9550 0.0992 -
0.6218 9600 0.0954 -
0.6251 9650 0.0817 -
0.6283 9700 0.0895 -
0.6316 9750 0.0818 -
0.6348 9800 0.0806 -
0.6380 9850 0.0895 -
0.6413 9900 0.0925 -
0.6445 9950 0.0865 -
0.6478 10000 0.0881 -
0.6510 10050 0.0804 -
0.6542 10100 0.0951 -
0.6575 10150 0.0998 -
0.6607 10200 0.0892 -
0.6639 10250 0.0824 -
0.6672 10300 0.0856 -
0.6704 10350 0.0821 -
0.6737 10400 0.0949 -
0.6769 10450 0.0918 -
0.6801 10500 0.0868 -
0.6834 10550 0.0922 -
0.6866 10600 0.0845 -
0.6899 10650 0.0752 -
0.6931 10700 0.0904 -
0.6963 10750 0.0837 -
0.6996 10800 0.0846 -
0.7028 10850 0.0904 -
0.7061 10900 0.0819 -
0.7093 10950 0.0851 -
0.7125 11000 0.0755 -
0.7158 11050 0.0856 -
0.7190 11100 0.0978 -
0.7222 11150 0.0764 -
0.7255 11200 0.0837 -
0.7287 11250 0.0896 -
0.7320 11300 0.0878 -
0.7352 11350 0.0799 -
0.7384 11400 0.0819 -
0.7417 11450 0.0864 -
0.7449 11500 0.085 -
0.7482 11550 0.092 -
0.7514 11600 0.08 -
0.7546 11650 0.0828 -
0.7579 11700 0.078 -
0.7611 11750 0.0787 -
0.7643 11800 0.0818 -
0.7676 11850 0.0872 -
0.7708 11900 0.0857 -
0.7741 11950 0.0891 -
0.7773 12000 0.0731 -
0.7805 12050 0.0881 -
0.7838 12100 0.0735 -
0.7870 12150 0.0825 -
0.7903 12200 0.0799 -
0.7935 12250 0.0783 -
0.7967 12300 0.081 -
0.8000 12350 0.0847 -
0.8032 12400 0.0851 -
0.8065 12450 0.0783 -
0.8097 12500 0.0634 -
0.8129 12550 0.0767 -
0.8162 12600 0.0836 -
0.8194 12650 0.0871 -
0.8226 12700 0.0787 -
0.8259 12750 0.0755 -
0.8291 12800 0.0787 -
0.8324 12850 0.0764 -
0.8356 12900 0.077 -
0.8388 12950 0.0821 -
0.8421 13000 0.0756 -
0.8453 13050 0.0798 -
0.8486 13100 0.0699 -
0.8518 13150 0.0823 -
0.8550 13200 0.0783 -
0.8583 13250 0.078 -
0.8615 13300 0.0742 -
0.8647 13350 0.078 -
0.8680 13400 0.0835 -
0.8712 13450 0.0719 -
0.8745 13500 0.0774 -
0.8777 13550 0.0855 -
0.8809 13600 0.0873 -
0.8842 13650 0.084 -
0.8874 13700 0.0853 -
0.8907 13750 0.0833 -
0.8939 13800 0.0811 -
0.8971 13850 0.0727 -
0.9004 13900 0.0677 -
0.9036 13950 0.0666 -
0.9069 14000 0.0764 -
0.9101 14050 0.0729 -
0.9133 14100 0.0781 -
0.9166 14150 0.0917 -
0.9198 14200 0.0878 -
0.9230 14250 0.0734 -
0.9263 14300 0.0825 -
0.9295 14350 0.0799 -
0.9328 14400 0.0817 -
0.9360 14450 0.0757 -
0.9392 14500 0.0755 -
0.9425 14550 0.062 -
0.9457 14600 0.0829 -
0.9490 14650 0.0718 -
0.9522 14700 0.0776 -
0.9554 14750 0.0744 -
0.9587 14800 0.0881 -
0.9619 14850 0.0813 -
0.9652 14900 0.0673 -
0.9684 14950 0.0819 -
0.9716 15000 0.0566 -
0.9749 15050 0.0849 -
0.9781 15100 0.0736 -
0.9813 15150 0.0661 -
0.9846 15200 0.0731 -
0.9878 15250 0.0779 -
0.9911 15300 0.0723 -
0.9943 15350 0.0606 -
0.9975 15400 0.0801 -
1.0008 15450 0.0675 -
1.0040 15500 0.0743 -
1.0073 15550 0.0655 -
1.0105 15600 0.0594 -
1.0137 15650 0.0642 -
1.0170 15700 0.059 -
1.0202 15750 0.0628 -
1.0234 15800 0.0569 -
1.0267 15850 0.0725 -
1.0299 15900 0.0744 -
1.0332 15950 0.056 -
1.0364 16000 0.0754 -
1.0396 16050 0.0694 -
1.0429 16100 0.057 -
1.0461 16150 0.0706 -
1.0494 16200 0.0675 -
1.0526 16250 0.0679 -
1.0558 16300 0.0745 -
1.0591 16350 0.0539 -
1.0623 16400 0.0708 -
1.0656 16450 0.0629 -
1.0688 16500 0.0699 -
1.0720 16550 0.0706 -
1.0753 16600 0.0717 -
1.0785 16650 0.0676 -
1.0817 16700 0.0619 -
1.0850 16750 0.07 -
1.0882 16800 0.0569 -
1.0915 16850 0.0615 -
1.0947 16900 0.0646 -
1.0979 16950 0.0651 -
1.1012 17000 0.072 -
1.1044 17050 0.0693 -
1.1077 17100 0.0681 -
1.1109 17150 0.0509 -
1.1141 17200 0.0604 -
1.1174 17250 0.0723 -
1.1206 17300 0.0726 -
1.1239 17350 0.062 -
1.1271 17400 0.0608 -
1.1303 17450 0.0649 -
1.1336 17500 0.0631 -
1.1368 17550 0.0623 -
1.1400 17600 0.0707 -
1.1433 17650 0.0708 -
1.1465 17700 0.0736 -
1.1498 17750 0.0674 -
1.1530 17800 0.0759 -
1.1562 17850 0.0614 -
1.1595 17900 0.0626 -
1.1627 17950 0.0741 -
1.1660 18000 0.065 -
1.1692 18050 0.069 -
1.1724 18100 0.0749 -
1.1757 18150 0.0554 -
1.1789 18200 0.068 -
1.1821 18250 0.0676 -
1.1854 18300 0.067 -
1.1886 18350 0.0682 -
1.1919 18400 0.0546 -
1.1951 18450 0.068 -
1.1983 18500 0.0633 -
1.2016 18550 0.0627 -
1.2048 18600 0.0608 -
1.2081 18650 0.0625 -
1.2113 18700 0.0652 -
1.2145 18750 0.0555 -
1.2178 18800 0.0615 -
1.2210 18850 0.0599 -
1.2243 18900 0.0664 -
1.2275 18950 0.0653 -
1.2307 19000 0.0481 -
1.2340 19050 0.055 -
1.2372 19100 0.0681 -
1.2404 19150 0.0589 -
1.2437 19200 0.0774 -
1.2469 19250 0.0624 -
1.2502 19300 0.0609 -
1.2534 19350 0.0545 -
1.2566 19400 0.0546 -
1.2599 19450 0.087 -
1.2631 19500 0.061 -
1.2664 19550 0.068 -
1.2696 19600 0.0708 -
1.2728 19650 0.0651 -
1.2761 19700 0.0713 -
1.2793 19750 0.0646 -
1.2825 19800 0.0559 -
1.2858 19850 0.0486 -
1.2890 19900 0.0583 -
1.2923 19950 0.0549 -
1.2955 20000 0.073 -
1.2987 20050 0.0633 -
1.3020 20100 0.072 -
1.3052 20150 0.0623 -
1.3085 20200 0.0725 -
1.3117 20250 0.0629 -
1.3149 20300 0.0614 -
1.3182 20350 0.0607 -
1.3214 20400 0.0624 -
1.3247 20450 0.0627 -
1.3279 20500 0.0602 -
1.3311 20550 0.062 -
1.3344 20600 0.066 -
1.3376 20650 0.0596 -
1.3408 20700 0.0517 -
1.3441 20750 0.057 -
1.3473 20800 0.0584 -
1.3506 20850 0.0576 -
1.3538 20900 0.0667 -
1.3570 20950 0.0672 -
1.3603 21000 0.0641 -
1.3635 21050 0.0545 -
1.3668 21100 0.0609 -
1.3700 21150 0.0639 -
1.3732 21200 0.0612 -
1.3765 21250 0.0623 -
1.3797 21300 0.0645 -
1.3830 21350 0.0676 -
1.3862 21400 0.0704 -
1.3894 21450 0.0569 -
1.3927 21500 0.066 -
1.3959 21550 0.0632 -
1.3991 21600 0.0682 -
1.4024 21650 0.0694 -
1.4056 21700 0.0713 -
1.4089 21750 0.0508 -
1.4121 21800 0.0613 -
1.4153 21850 0.0512 -
1.4186 21900 0.0481 -
1.4218 21950 0.0578 -
1.4251 22000 0.0553 -
1.4283 22050 0.0599 -
1.4315 22100 0.0626 -
1.4348 22150 0.0577 -
1.4380 22200 0.0611 -
1.4412 22250 0.0579 -
1.4445 22300 0.0678 -
1.4477 22350 0.0627 -
1.4510 22400 0.0582 -
1.4542 22450 0.0613 -
1.4574 22500 0.0584 -
1.4607 22550 0.0586 -
1.4639 22600 0.0589 -
1.4672 22650 0.0535 -
1.4704 22700 0.0526 -
1.4736 22750 0.0599 -
1.4769 22800 0.0549 -
1.4801 22850 0.0598 -
1.4834 22900 0.0584 -
1.4866 22950 0.0657 -
1.4898 23000 0.056 -
1.4931 23050 0.061 -
1.4963 23100 0.0567 -
1.4995 23150 0.0604 -
1.5028 23200 0.053 -
1.5060 23250 0.0577 -
1.5093 23300 0.0552 -
1.5125 23350 0.0675 -
1.5157 23400 0.0698 -
1.5190 23450 0.0577 -
1.5222 23500 0.0518 -
1.5255 23550 0.0552 -
1.5287 23600 0.0606 -
1.5319 23650 0.0598 -
1.5352 23700 0.0586 -
1.5384 23750 0.0562 -
1.5417 23800 0.0571 -
1.5449 23850 0.0525 -
1.5481 23900 0.0619 -
1.5514 23950 0.0558 -
1.5546 24000 0.0651 -
1.5578 24050 0.0595 -
1.5611 24100 0.0669 -
1.5643 24150 0.0576 -
1.5676 24200 0.0498 -
1.5708 24250 0.0613 -
1.5740 24300 0.0544 -
1.5773 24350 0.0566 -
1.5805 24400 0.0613 -
1.5838 24450 0.0597 -
1.5870 24500 0.0525 -
1.5902 24550 0.0537 -
1.5935 24600 0.0613 -
1.5967 24650 0.0446 -
1.5999 24700 0.0597 -
1.6032 24750 0.0601 -
1.6064 24800 0.0521 -
1.6097 24850 0.0584 -
1.6129 24900 0.0591 -
1.6161 24950 0.0593 -
1.6194 25000 0.0562 -
1.6226 25050 0.0586 -
1.6259 25100 0.0593 -
1.6291 25150 0.0615 -
1.6323 25200 0.0492 -
1.6356 25250 0.0573 -
1.6388 25300 0.0631 -
1.6421 25350 0.0444 -
1.6453 25400 0.0587 -
1.6485 25450 0.0601 -
1.6518 25500 0.0565 -
1.6550 25550 0.0654 -
1.6582 25600 0.0558 -
1.6615 25650 0.0537 -
1.6647 25700 0.0504 -
1.6680 25750 0.0549 -
1.6712 25800 0.0517 -
1.6744 25850 0.0621 -
1.6777 25900 0.0468 -
1.6809 25950 0.059 -
1.6842 26000 0.0607 -
1.6874 26050 0.0616 -
1.6906 26100 0.0536 -
1.6939 26150 0.0619 -
1.6971 26200 0.0615 -
1.7003 26250 0.0497 -
1.7036 26300 0.0595 -
1.7068 26350 0.0563 -
1.7101 26400 0.0572 -
1.7133 26450 0.0525 -
1.7165 26500 0.0592 -
1.7198 26550 0.0645 -
1.7230 26600 0.0586 -
1.7263 26650 0.0511 -
1.7295 26700 0.0508 -
1.7327 26750 0.0572 -
1.7360 26800 0.0466 -
1.7392 26850 0.0532 -
1.7425 26900 0.0546 -
1.7457 26950 0.0594 -
1.7489 27000 0.0544 -
1.7522 27050 0.0543 -
1.7554 27100 0.0588 -
1.7586 27150 0.0552 -
1.7619 27200 0.0529 -
1.7651 27250 0.0558 -
1.7684 27300 0.0491 -
1.7716 27350 0.0669 -
1.7748 27400 0.056 -
1.7781 27450 0.0553 -
1.7813 27500 0.0565 -
1.7846 27550 0.063 -
1.7878 27600 0.0548 -
1.7910 27650 0.0541 -
1.7943 27700 0.0469 -
1.7975 27750 0.0493 -
1.8008 27800 0.0644 -
1.8040 27850 0.0557 -
1.8072 27900 0.0582 -
1.8105 27950 0.0517 -
1.8137 28000 0.0564 -
1.8169 28050 0.0591 -
1.8202 28100 0.0545 -
1.8234 28150 0.0486 -
1.8267 28200 0.0568 -
1.8299 28250 0.0461 -
1.8331 28300 0.0622 -
1.8364 28350 0.0499 -
1.8396 28400 0.0634 -
1.8429 28450 0.0584 -
1.8461 28500 0.0648 -
1.8493 28550 0.0628 -
1.8526 28600 0.057 -
1.8558 28650 0.0528 -
1.8590 28700 0.0521 -
1.8623 28750 0.0527 -
1.8655 28800 0.0457 -
1.8688 28850 0.0505 -
1.8720 28900 0.0508 -
1.8752 28950 0.0595 -
1.8785 29000 0.0558 -
1.8817 29050 0.0521 -
1.8850 29100 0.0475 -
1.8882 29150 0.054 -
1.8914 29200 0.0497 -
1.8947 29250 0.0637 -
1.8979 29300 0.0484 -
1.9012 29350 0.0649 -
1.9044 29400 0.0643 -
1.9076 29450 0.0484 -
1.9109 29500 0.0531 -
1.9141 29550 0.0527 -
1.9173 29600 0.0617 -
1.9206 29650 0.0469 -
1.9238 29700 0.0615 -
1.9271 29750 0.055 -
1.9303 29800 0.055 -
1.9335 29850 0.0658 -
1.9368 29900 0.0483 -
1.9400 29950 0.0559 -
1.9433 30000 0.0481 -
1.9465 30050 0.0719 -
1.9497 30100 0.0589 -
1.9530 30150 0.0498 -
1.9562 30200 0.049 -
1.9595 30250 0.0456 -
1.9627 30300 0.0551 -
1.9659 30350 0.0415 -
1.9692 30400 0.0607 -
1.9724 30450 0.0521 -
1.9756 30500 0.0545 -
1.9789 30550 0.0544 -
1.9821 30600 0.0535 -
1.9854 30650 0.0637 -
1.9886 30700 0.0555 -
1.9918 30750 0.0472 -
1.9951 30800 0.0544 -
1.9983 30850 0.0592 -

Framework Versions

  • Python: 3.12.12
  • SetFit: 1.1.3
  • Sentence Transformers: 5.1.2
  • Transformers: 4.57.1
  • PyTorch: 2.8.0+cu126
  • Datasets: 4.0.0
  • Tokenizers: 0.22.1

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}
}