Push model using huggingface_hub.

3dc92fe verified 7 days ago

10 kB

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      Die elektronische Patientenakte ist ein großer Schritt nach vorn für das
      deutsche Gesundheitswesen. Sie ermöglicht eine bessere Koordination
      zwischen Ärzten und sorgt dafür, dass Patienten immer die richtigen
      Informationen erhalten.
  - text: >-
      Die ePA könnte das Gesundheitssystem verbessern, aber es ist noch unklar,
      wie sie in der Praxis funktioniert.
  - text: >-
      Die Möglichkeit, meine Daten selbst zu verwalten und zu entscheiden, wer
      darauf zugreifen kann, macht die ePA für mich sehr attraktiv.
  - text: >-
      Die ePA ist ein komplexes Thema, bei dem ich noch nicht weiß, ob ich dafür
      oder dagegen bin.
  - text: >-
      Die ePA wird uns als Fortschritt verkauft, aber in Wirklichkeit eröffnet
      sie nur neue Möglichkeiten für Missbrauch und Datenlecks.
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-MiniLM-L12-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:

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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 128 tokens
Number of Classes: 3 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
neutral	'Ich bin weder komplett für noch gegen die ePA. Es kommt darauf an, wie sie umgesetzt wird.' 'Die ePA wird von manchen begrüßt und von anderen kritisiert. Ich warte ab, wie sie sich entwickelt.' 'Ich bin neutral, was die ePA betrifft. Sie könnte sowohl Vorteile als auch Nachteile haben.'
ablehnend	'Ich habe kein Vertrauen in die ePA, weil es zu viele ungelöste Probleme gibt, besonders was den Datenschutz betrifft.' 'Ich lehne die ePA ab, weil ich nicht möchte, dass so viele Informationen über mich zentral gespeichert werden.' 'Die ePA ist ein weiterer Schritt in Richtung Überwachung. Ich habe Bedenken, dass Versicherungen und Arbeitgeber irgendwann Zugriff darauf erhalten könnten.'
befürwortend	'Ich finde es gut, dass mit der ePA auch Notfalldaten sofort verfügbar sind, das kann im Ernstfall Leben retten.' 'Die ePA ist ein wichtiger Schritt in Richtung Digitalisierung und Modernisierung des Gesundheitssystems.' 'Ich sehe in der ePA eine große Chance, um den Austausch von Gesundheitsdaten zu verbessern und so die Behandlungsqualität zu steigern.'

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("Die ePA ist ein komplexes Thema, bei dem ich noch nicht weiß, ob ich dafür oder dagegen bin.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	11	16.9365	23

Label	Training Sample Count
ablehnend	21
neutral	21
befürwortend	21

Training Hyperparameters

batch_size: (3, 3)
num_epochs: (2, 2)
max_steps: -1
sampling_strategy: oversampling
body_learning_rate: (2e-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: 63
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0011	1	0.151	-
0.0567	50	0.184	-
0.1134	100	0.1252	-
0.1701	150	0.0585	-
0.2268	200	0.0116	-
0.2834	250	0.0039	-
0.3401	300	0.002	-
0.3968	350	0.0013	-
0.4535	400	0.0007	-
0.5102	450	0.0008	-
0.5669	500	0.0005	-
0.6236	550	0.0005	-
0.6803	600	0.0004	-
0.7370	650	0.0004	-
0.7937	700	0.0003	-
0.8503	750	0.0003	-
0.9070	800	0.0003	-
0.9637	850	0.0002	-
1.0204	900	0.0002	-
1.0771	950	0.0001	-
1.1338	1000	0.0002	-
1.1905	1050	0.0001	-
1.2472	1100	0.0002	-
1.3039	1150	0.0002	-
1.3605	1200	0.0002	-
1.4172	1250	0.0001	-
1.4739	1300	0.0001	-
1.5306	1350	0.0001	-
1.5873	1400	0.0001	-
1.6440	1450	0.0001	-
1.7007	1500	0.0001	-
1.7574	1550	0.0001	-
1.8141	1600	0.0001	-
1.8707	1650	0.0001	-
1.9274	1700	0.0001	-
1.9841	1750	0.0001	-

Framework Versions

Python: 3.12.12
SetFit: 1.1.3
Sentence Transformers: 5.2.3
Transformers: 4.44.2
PyTorch: 2.10.0
Datasets: 4.6.0
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}
}