File size: 16,463 Bytes
b79004e |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 |
---
library_name: setfit
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
base_model: projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base
metrics:
- accuracy
widget:
- text: Estic preocupat per la falta de legislació i regulació adequada per protegir
les dades personals en línia. Les empreses han d'assumir més responsabilitat i
complir amb els estàndards de seguretat més estrictes per protegir la privacitat
dels usuaris.
- text: M'he sentit frustrat i insegur a causa de la manca de control sobre les meves
dades personals en línia. Les empreses i els proveïdors de serveis haurien de
ser més transparents sobre com gestionen les nostres dades i oferir opcions de
control més gran als usuaris.
- text: Proposo l'ús de lluminàries de tecnologia LED amb control de la intensitat
i la direccionalitat de la llum per minimitzar la contaminació lumínica i preservar
la visió del cel nocturn.
- text: Estic frustrat amb les polítiques de comerç exterior que no promoguin la transferència
de tecnologia i coneixement cap a les empreses locals. La manca d'assistència
tècnica i suport pot limitar la capacitat de les empreses locals per competir
a nivell internacional.
- text: Suggeriria que es realitzessin campanyes de recompensa per incentivar els
ciutadans a informar de fuites d'aigua, oferint descomptes en la factura d'aigua
o altres incentius.
pipeline_tag: text-classification
inference: true
---
# SetFit with projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base](https://huggingface.co/projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) 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:** [projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base](https://huggingface.co/projecte-aina/ST-NLI-ca_paraphrase-multilingual-mpnet-base)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 128 tokens
- **Number of Classes:** 20 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)
### Model Labels
| Label | Examples |
|:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 0 | <ul><li>'Aquest text és Aigües.'</li><li>'Aquest text és Aigües.'</li><li>'Aquest text és Aigües.'</li></ul> |
| 1 | <ul><li>'Aquest text és Consum, comerç i mercats.'</li><li>'Aquest text és Consum, comerç i mercats.'</li><li>'Aquest text és Consum, comerç i mercats.'</li></ul> |
| 2 | <ul><li>'Aquest text és Cultura.'</li><li>'Aquest text és Cultura.'</li><li>'Aquest text és Cultura.'</li></ul> |
| 3 | <ul><li>'Aquest text és Economia.'</li><li>'Aquest text és Economia.'</li><li>'Aquest text és Economia.'</li></ul> |
| 4 | <ul><li>'Aquest text és Educació.'</li><li>'Aquest text és Educació.'</li><li>'Aquest text és Educació.'</li></ul> |
| 5 | <ul><li>'Aquest text és Enllumenat públic.'</li><li>'Aquest text és Enllumenat públic.'</li><li>'Aquest text és Enllumenat públic.'</li></ul> |
| 6 | <ul><li>'Aquest text és Esports.'</li><li>'Aquest text és Esports.'</li><li>'Aquest text és Esports.'</li></ul> |
| 7 | <ul><li>'Aquest text és Habitatge.'</li><li>'Aquest text és Habitatge.'</li><li>'Aquest text és Habitatge.'</li></ul> |
| 8 | <ul><li>'Aquest text és Horta.'</li><li>'Aquest text és Horta.'</li><li>'Aquest text és Horta.'</li></ul> |
| 9 | <ul><li>'Aquest text és Informació general.'</li><li>'Aquest text és Informació general.'</li><li>'Aquest text és Informació general.'</li></ul> |
| 10 | <ul><li>'Aquest text és Informàtica.'</li><li>'Aquest text és Informàtica.'</li><li>'Aquest text és Informàtica.'</li></ul> |
| 11 | <ul><li>'Aquest text és Joventut.'</li><li>'Aquest text és Joventut.'</li><li>'Aquest text és Joventut.'</li></ul> |
| 12 | <ul><li>'Aquest text és Medi ambient.'</li><li>'Aquest text és Medi ambient.'</li><li>'Aquest text és Medi ambient.'</li></ul> |
| 13 | <ul><li>'Aquest text és Neteja de la via pública.'</li><li>'Aquest text és Neteja de la via pública.'</li><li>'Aquest text és Neteja de la via pública.'</li></ul> |
| 14 | <ul><li>'Aquest text és Salut pública i Cementiri.'</li><li>'Aquest text és Salut pública i Cementiri.'</li><li>'Aquest text és Salut pública i Cementiri.'</li></ul> |
| 15 | <ul><li>'Aquest text és Seguretat.'</li><li>'Aquest text és Seguretat.'</li><li>'Aquest text és Seguretat.'</li></ul> |
| 16 | <ul><li>'Aquest text és Serveis socials.'</li><li>'Aquest text és Serveis socials.'</li><li>'Aquest text és Serveis socials.'</li></ul> |
| 17 | <ul><li>'Aquest text és Tramitacions.'</li><li>'Aquest text és Tramitacions.'</li><li>'Aquest text és Tramitacions.'</li></ul> |
| 18 | <ul><li>'Aquest text és Urbanisme.'</li><li>'Aquest text és Urbanisme.'</li><li>'Aquest text és Urbanisme.'</li></ul> |
| 19 | <ul><li>'Aquest text és Via pública i mobilitat.'</li><li>'Aquest text és Via pública i mobilitat.'</li><li>'Aquest text és Via pública i mobilitat.'</li></ul> |
## Uses
### Direct Use for Inference
First install the SetFit library:
```bash
pip install setfit
```
Then you can load this model and run inference.
```python
from setfit import SetFitModel
# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("adriansanz/fs_setfit_dummy")
# Run inference
preds = model("Suggeriria que es realitzessin campanyes de recompensa per incentivar els ciutadans a informar de fuites d'aigua, oferint descomptes en la factura d'aigua o altres incentius.")
```
<!--
### Downstream Use
*List how someone could finetune this model on their own dataset.*
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count | 4 | 4.85 | 8 |
| Label | Training Sample Count |
|:------|:----------------------|
| 0 | 8 |
| 1 | 8 |
| 2 | 8 |
| 3 | 8 |
| 4 | 8 |
| 5 | 8 |
| 6 | 8 |
| 7 | 8 |
| 8 | 8 |
| 9 | 8 |
| 10 | 8 |
| 11 | 8 |
| 12 | 8 |
| 13 | 8 |
| 14 | 8 |
| 15 | 8 |
| 16 | 8 |
| 17 | 8 |
| 18 | 8 |
| 19 | 8 |
### Training Hyperparameters
- batch_size: (16, 16)
- num_epochs: (3, 3)
- 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
- seed: 42
- eval_max_steps: -1
- load_best_model_at_end: True
### Training Results
| Epoch | Step | Training Loss | Validation Loss |
|:-------:|:--------:|:-------------:|:---------------:|
| 0.0007 | 1 | 0.1362 | - |
| 0.0329 | 50 | 0.0344 | - |
| 0.0658 | 100 | 0.0017 | - |
| 0.0987 | 150 | 0.0013 | - |
| 0.1316 | 200 | 0.0013 | - |
| 0.1645 | 250 | 0.0007 | - |
| 0.1974 | 300 | 0.0004 | - |
| 0.2303 | 350 | 0.0004 | - |
| 0.2632 | 400 | 0.0006 | - |
| 0.2961 | 450 | 0.0005 | - |
| 0.3289 | 500 | 0.0003 | - |
| 0.3618 | 550 | 0.0005 | - |
| 0.3947 | 600 | 0.0006 | - |
| 0.4276 | 650 | 0.0004 | - |
| 0.4605 | 700 | 0.0003 | - |
| 0.4934 | 750 | 0.0001 | - |
| 0.5263 | 800 | 0.0002 | - |
| 0.5592 | 850 | 0.0002 | - |
| 0.5921 | 900 | 0.0002 | - |
| 0.625 | 950 | 0.0002 | - |
| 0.6579 | 1000 | 0.0002 | - |
| 0.6908 | 1050 | 0.0002 | - |
| 0.7237 | 1100 | 0.0002 | - |
| 0.7566 | 1150 | 0.0002 | - |
| 0.7895 | 1200 | 0.0002 | - |
| 0.8224 | 1250 | 0.0003 | - |
| 0.8553 | 1300 | 0.0002 | - |
| 0.8882 | 1350 | 0.0001 | - |
| 0.9211 | 1400 | 0.0001 | - |
| 0.9539 | 1450 | 0.0002 | - |
| 0.9868 | 1500 | 0.0002 | - |
| 1.0 | 1520 | - | 0.1669 |
| 1.0197 | 1550 | 0.0002 | - |
| 1.0526 | 1600 | 0.0001 | - |
| 1.0855 | 1650 | 0.0003 | - |
| 1.1184 | 1700 | 0.0002 | - |
| 1.1513 | 1750 | 0.0002 | - |
| 1.1842 | 1800 | 0.0001 | - |
| 1.2171 | 1850 | 0.0002 | - |
| 1.25 | 1900 | 0.0003 | - |
| 1.2829 | 1950 | 0.0002 | - |
| 1.3158 | 2000 | 0.0001 | - |
| 1.3487 | 2050 | 0.0002 | - |
| 1.3816 | 2100 | 0.0001 | - |
| 1.4145 | 2150 | 0.0001 | - |
| 1.4474 | 2200 | 0.0001 | - |
| 1.4803 | 2250 | 0.0002 | - |
| 1.5132 | 2300 | 0.0002 | - |
| 1.5461 | 2350 | 0.0002 | - |
| 1.5789 | 2400 | 0.0001 | - |
| 1.6118 | 2450 | 0.0001 | - |
| 1.6447 | 2500 | 0.0002 | - |
| 1.6776 | 2550 | 0.0002 | - |
| 1.7105 | 2600 | 0.0002 | - |
| 1.7434 | 2650 | 0.0001 | - |
| 1.7763 | 2700 | 0.0001 | - |
| 1.8092 | 2750 | 0.0001 | - |
| 1.8421 | 2800 | 0.0001 | - |
| 1.875 | 2850 | 0.0001 | - |
| 1.9079 | 2900 | 0.0001 | - |
| 1.9408 | 2950 | 0.0001 | - |
| 1.9737 | 3000 | 0.0001 | - |
| 2.0 | 3040 | - | 0.1629 |
| 2.0066 | 3050 | 0.0001 | - |
| 2.0395 | 3100 | 0.0001 | - |
| 2.0724 | 3150 | 0.0001 | - |
| 2.1053 | 3200 | 0.0001 | - |
| 2.1382 | 3250 | 0.0001 | - |
| 2.1711 | 3300 | 0.0001 | - |
| 2.2039 | 3350 | 0.0001 | - |
| 2.2368 | 3400 | 0.0001 | - |
| 2.2697 | 3450 | 0.0001 | - |
| 2.3026 | 3500 | 0.0002 | - |
| 2.3355 | 3550 | 0.0001 | - |
| 2.3684 | 3600 | 0.0001 | - |
| 2.4013 | 3650 | 0.0001 | - |
| 2.4342 | 3700 | 0.0001 | - |
| 2.4671 | 3750 | 0.0001 | - |
| 2.5 | 3800 | 0.0001 | - |
| 2.5329 | 3850 | 0.0001 | - |
| 2.5658 | 3900 | 0.0001 | - |
| 2.5987 | 3950 | 0.0 | - |
| 2.6316 | 4000 | 0.0 | - |
| 2.6645 | 4050 | 0.0001 | - |
| 2.6974 | 4100 | 0.0 | - |
| 2.7303 | 4150 | 0.0001 | - |
| 2.7632 | 4200 | 0.0001 | - |
| 2.7961 | 4250 | 0.0001 | - |
| 2.8289 | 4300 | 0.0001 | - |
| 2.8618 | 4350 | 0.0001 | - |
| 2.8947 | 4400 | 0.0001 | - |
| 2.9276 | 4450 | 0.0001 | - |
| 2.9605 | 4500 | 0.0001 | - |
| 2.9934 | 4550 | 0.0 | - |
| **3.0** | **4560** | **-** | **0.1625** |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.12
- SetFit: 1.0.3
- Sentence Transformers: 3.0.0
- Transformers: 4.39.0
- PyTorch: 2.3.0+cu121
- Datasets: 2.19.1
- Tokenizers: 0.15.2
## Citation
### BibTeX
```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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |