--- tags: - sentence-transformers - sentence-similarity - feature-extraction - dense - generated_from_trainer - dataset_size:8690 - loss:MultipleNegativesRankingLoss widget: - source_sentence: 1位側開戸排水ﾊﾟﾝ内 切粉(最大3mm×5ヶ) sentences: - 切粉・素線など伝導性の高い異物。この場合はサイズおよび個数を記録する。 - ひっかき傷に類するｷｽﾞがあるもの - 塗装の色むら・色違い等。ただし、塗装自体が未了の場合は「503作業漏れ」に分類する。 - source_sentence: 2位車販準備室ｶﾓｲ横ｽﾎﾟﾝｼﾞ破れ sentences: - 整線作業で対処可能な干渉・近接・見栄え不良等。 - 部品同士が干渉しているが、走行時の異音には至っていないもの - 破れ・欠け・割れなどの破損があるもの - source_sentence: 列車無線装置上部異物 sentences: - 異物(通常ではそこには見られないはずのモノ)があるもの、ビス等の残留も含む。 - 調整不良(501)や干渉(104)、締結不良(401)の結果、走行時や動作確認で異音(ビビり音、キシミ音、セリ音、ｶﾞﾀﾂｷ音)が確認されたもの。 - 切粉・素線など伝導性の高い異物。この場合はサイズおよび個数を記録する。 - source_sentence: 3位飾りﾙｰﾊﾞｰ塗装剥がれ sentences: - 調整不良(501)や干渉(104)、締結不良(401)の結果、走行時や動作確認で異音(ビビり音、キシミ音、セリ音、ｶﾞﾀﾂｷ音)が確認されたもの。 - 艤装作業時の調整不足による不良、例えばスポンジ、断熱材位置など。ただし、シール切れなどは「111 シール不良」に分類する。また可動部の調整不良は「502可動部の調整不良」に分類する。 - 塗装の色むら・色違い等。ただし、塗装自体が未了の場合は「503作業漏れ」に分類する。 - source_sentence: 無線機器室扉下部 巾木 取付不良 sentences: - 段付きが発生しているもの。段付きとスキマが同時発生しているもの、ﾊﾟﾈﾙ等貼付物以外の浮きも該当とする。 - 切粉・素線など伝導性の高い異物。この場合はサイズおよび個数を記録する。 - 調整不良(501)や干渉(104)、締結不良(401)の結果、走行時や動作確認で異音(ビビり音、キシミ音、セリ音、ｶﾞﾀﾂｷ音)が確認されたもの。 pipeline_tag: sentence-similarity library_name: sentence-transformers --- # SentenceTransformer This is a [sentence-transformers](https://www.SBERT.net) model trained on the all-nli-pair dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Maximum Sequence Length:** 128 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - all-nli-pair ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'}) (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) ) ``` ## Usage ### Direct Usage (Sentence Transformers) First install the Sentence Transformers library: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("vany02/hitachi-defect-classifier") # Run inference sentences = [ '無線機器室扉下部 巾木 取付不良', '段付きが発生しているもの。段付きとスキマが同時発生しているもの、ﾊﾟﾈﾙ等貼付物以外の浮きも該当とする。', '調整不良(501)や干渉(104)、締結不良(401)の結果、走行時や動作確認で異音(ビビり音、キシミ音、セリ音、ｶﾞﾀﾂｷ音)が確認されたもの。', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 768] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities) # tensor([[1.0000, 0.6393, 0.2329], # [0.6393, 1.0000, 0.2656], # [0.2329, 0.2656, 1.0000]]) ``` ## Training Details ### Training Dataset #### all-nli-pair * Dataset: all-nli-pair * Size: 8,690 training samples * Columns: anchor and positive * Approximate statistics based on the first 1000 samples: | | anchor | positive | |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | anchor | positive | |:--------------------------------------------|:---------------------------------------------------------------------------------------------------------| | ATC監視部点検蓋内下部 ｽﾎﾟﾝｼﾞはみ出し | 艤装作業時の調整不足による不良、例えばスポンジ、断熱材位置など。ただし、シール切れなどは「111 シール不良」に分類する。また可動部の調整不良は「502可動部の調整不良」に分類する。 | | 2位空き缶ｺﾞﾐ箱扉内 ﾋﾞｽ締結点のｺﾞﾑ板切欠していない | 作業漏れ、取付もれがあった場合。ただし間違った作業を行っている場合は「X02作業間違い」に分類する。 | | 汚物配電盤扉ｽﾄｯﾊﾟｰ裏ｺﾞﾑ上 切粉（2㎜×1ヶ） | 切粉・素線など伝導性の高い異物。この場合はサイズおよび個数を記録する。 | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim", "gather_across_devices": false } ``` ### Evaluation Dataset #### all-nli-pair * Dataset: all-nli-pair * Size: 966 evaluation samples * Columns: anchor and positive * Approximate statistics based on the first 966 samples: | | anchor | positive | |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | anchor | positive | |:-------------------------------|:---------------------------------------------------------------------------------------| | 運転席用CAﾀﾞｸﾄ取付部歪み | 通りが湾曲していたり、ゆがみが発生しているもの | | 4位戸閉機ｷｾ 走行時異音 | 調整不良(501)や干渉(104)、締結不良(401)の結果、走行時や動作確認で異音(ビビり音、キシミ音、セリ音、ｶﾞﾀﾂｷ音)が確認されたもの。 | | ｻｰﾋﾞｽ機器情報伝送扉下部 凹み | 打痕・凹凸が許容できないサイズのもの。ただし、メーカ要因の場合は「701メーカ/部品不良」に分類する。 | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim", "gather_across_devices": false } ``` ### Training Hyperparameters #### All Hyperparameters
Click to expand - `do_predict`: False - `eval_strategy`: no - `prediction_loss_only`: True - `per_device_train_batch_size`: 8 - `per_device_eval_batch_size`: 8 - `gradient_accumulation_steps`: 1 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 5e-05 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1.0 - `num_train_epochs`: 3.0 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: None - `warmup_ratio`: None - `warmup_steps`: 0 - `log_level`: passive - `log_level_replica`: warning - `log_on_each_node`: True - `logging_nan_inf_filter`: True - `enable_jit_checkpoint`: False - `save_on_each_node`: False - `save_only_model`: False - `restore_callback_states_from_checkpoint`: False - `use_cpu`: False - `seed`: 42 - `data_seed`: None - `bf16`: False - `fp16`: False - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: None - `local_rank`: -1 - `ddp_backend`: None - `debug`: [] - `dataloader_drop_last`: False - `dataloader_num_workers`: 0 - `dataloader_prefetch_factor`: None - `disable_tqdm`: False - `remove_unused_columns`: True - `label_names`: None - `load_best_model_at_end`: False - `ignore_data_skip`: False - `fsdp`: [] - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None} - `parallelism_config`: None - `deepspeed`: None - `label_smoothing_factor`: 0.0 - `optim`: adamw_torch_fused - `optim_args`: None - `group_by_length`: False - `length_column_name`: length - `project`: huggingface - `trackio_space_id`: trackio - `ddp_find_unused_parameters`: None - `ddp_bucket_cap_mb`: None - `ddp_broadcast_buffers`: False - `dataloader_pin_memory`: True - `dataloader_persistent_workers`: False - `skip_memory_metrics`: True - `push_to_hub`: False - `resume_from_checkpoint`: None - `hub_model_id`: None - `hub_strategy`: every_save - `hub_private_repo`: None - `hub_always_push`: False - `hub_revision`: None - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_for_metrics`: [] - `eval_do_concat_batches`: True - `auto_find_batch_size`: False - `full_determinism`: False - `ddp_timeout`: 1800 - `torch_compile`: False - `torch_compile_backend`: None - `torch_compile_mode`: None - `include_num_input_tokens_seen`: no - `neftune_noise_alpha`: None - `optim_target_modules`: None - `batch_eval_metrics`: False - `eval_on_start`: False - `use_liger_kernel`: False - `liger_kernel_config`: None - `eval_use_gather_object`: False - `average_tokens_across_devices`: True - `use_cache`: False - `prompts`: None - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: proportional - `router_mapping`: {} - `learning_rate_mapping`: {}
### Training Logs | Epoch | Step | Training Loss | |:------:|:----:|:-------------:| | 0.4600 | 500 | 0.7279 | | 0.9200 | 1000 | 0.6938 | | 1.3799 | 1500 | 0.6359 | | 1.8399 | 2000 | 0.5952 | | 2.2999 | 2500 | 0.5535 | | 2.7599 | 3000 | 0.5392 | ### Framework Versions - Python: 3.12.12 - Sentence Transformers: 5.2.2 - Transformers: 5.0.0 - PyTorch: 2.9.0+cu126 - Accelerate: 1.12.0 - Datasets: 4.0.0 - Tokenizers: 0.22.2 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @inproceedings{reimers-2019-sentence-bert, title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", author = "Reimers, Nils and Gurevych, Iryna", booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", month = "11", year = "2019", publisher = "Association for Computational Linguistics", url = "https://arxiv.org/abs/1908.10084", } ``` #### MultipleNegativesRankingLoss ```bibtex @misc{henderson2017efficient, title={Efficient Natural Language Response Suggestion for Smart Reply}, author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil}, year={2017}, eprint={1705.00652}, archivePrefix={arXiv}, primaryClass={cs.CL} } ```