--- library_name: setfit tags: - setfit - sentence-transformers - text-classification - generated_from_setfit_trainer metrics: - accuracy_score - classification_report widget: - text: 'Adil Hussain Adil Hussain est reconnaissant d''avoir reçu l''enseignement de l''acteur Naseeruddin Shah à l''époque où il fréquentait l''École nationale d''art dramatique' - text: 'Bien que leurs opinions sur la question de savoir si les migrants sont un avantage ou un fardeau soient plus mitigées, de nettes majorités d''électeurs de toute la ville de New York, de la banlieue et du nord de l''État ont déclaré que l''État devrait essayer de ralentir l''afflux de migrants, plutôt que d''en accepter davantage et de s''efforcer d''assimiler les nouveaux arrivants Les démocrates aspirent à renverser six circonscriptions détenues par les républicains que M. Biden a remportées en 2020, notamment celle de M Les républicains se sont emparés de la crise des migrants, donnant un avant-goût des campagnes de l''année prochaine Les républicains ont surenchéri : Elise Stefanik, la New-Yorkaise qui dirige la conférence du parti démocrate à la Chambre des représentants, Suite à la page suivante a déclaré à Politico la semaine dernière que le parti allait consacrer 100 millions de dollars aux campagnes dans les circonscriptions de New York Des problèmes à venir pour les démocrates de New York en 2024 ? Les dirigeants démocrates de New York se débattent depuis des mois avec le problème de l''hébergement des dizaines de milliers de migrants qui ont été transportés par bus jusqu''à New York et laissés à sa charge Des problèmes à venir pour les démocrates de New York en 2024 ? Les dirigeants démocrates de New York se débattent depuis des mois avec le problème de l''hébergement des dizaines de milliers de migrants qui ont été transportés par bus jusqu''à New York et laissés à sa charge. Mais une autre préoccupation se profile alors que la crise se poursuit sans qu''aucune issue ne soit en vue : les retombées potentielles pour leur parti lors des élections de l''année prochaine Les républicains ont tendance à se sentir en sécurité lorsqu''ils parlent d''immigration - comme les démocrates le font pour l''avortement - et sont clairement à l''attaque sur la question des migrants à New York, tandis que les démocrates sont sur la défensive, a déclaré Kyle Kondik, directeur de la communication pour le Centre de politique de l''Université de Virginie, au réseau USA Today Plus de 100 000 migrants ont été transportés à New York depuis la frontière sud depuis le printemps 2022. Environ 60 000 d''entre eux sont hébergés dans la ville, et plus de 2 100 ont été transportés dans des hôtels situés dans sept comtés au nord de la ville, de Yonkers à la périphérie de Buffalo, où ils sont logés aux frais de la ville Les démocrates doivent y remporter des victoires pour gagner cinq sièges à la Chambre et faire du député Hakeem Jeffries, de Brooklyn, le prochain président de la Chambre des représentants Les publicités d''attaque des républicains s''écrivent pratiquement d''elles-mêmes à partir d''un flot de titres et d''images télévisées, alors que le gouverneur Kathy Hochul, le maire de New York Eric Adams et le président Joe Biden - tous démocrates - se rejettent mutuellement la faute et s''échangent des coups de feu pour savoir qui devrait en faire le plus Isaac Goldberg, un stratège démocrate qui a travaillé sur plusieurs campagnes électorales à New York, a affirmé qu''il était beaucoup trop tôt pour prédire l''impact politique de la crise des migrants, soulignant que les élections de 2024 n''auront lieu que dans 14 mois et que de nombreuses questions tout aussi urgentes pourraient se poser' - text: 'LE CANDIDAT A LA PRESIDENCE RAMASWAMY VEUT METTRE FIN AU SYSTEME DE VISA H-1B AUX ETATS-UNIS Décrivant le programme de visas H-1B comme une forme de "servitude", Vivek Ramaswamy, candidat républicain indien-américain à l''élection présidentielle, a promis de "vider" le système basé sur la loterie et de le remplacer par un système d''admission méritocratique s''il remporte les élections présidentielles de 2024' - text: 'Smith Hal Sparks Catherine Zeta-Jones son-Sampras Chris Owen Donald Glover ("Queer as Folk") a 54 ans Smith Hal Sparks Catherine Zeta-Jones son-Sampras Chris Owen Donald Glover ("Queer as Folk") a 54 ans. a 54 ans. Acteur ("Je sais ce que vous avez fait l''été dernier") a 50 ans' - text: 'Trump profiter de sa célébrité jusqu''à la Maison-Blanche. "Cela a tué Howard parce qu''il était le roi de tous les médias Il a poursuivi en disant que Trump ne laisserait pas ses partisans s''approcher de l''une de ses propriétés. "Les gens qui votent pour Trump, pour la plupart, ne les laisseraient même pas entrer dans un putain d''hôtel [ "Si être réveillé signifie que je ne peux pas soutenir Trump, ce que je pense que cela signifie, ou que je soutiens les personnes qui veulent être transgenres ou que je suis pour le vaccin, appelez-moi réveillé comme vous le voulez" "Les gens qui votent pour Trump, pour la plupart, ne les laisseraient même pas entrer dans un putain d''hôtel [...]. Allez à Mar-a-lago, voyez s''il y a des gens qui vous ressemblent" Stern a également abordé les affirmations de Trump et de ses partisans selon lesquelles Joe Biden a remporté l''élection américaine de 2020 grâce à des votes frauduleux "Et soudain, Trump a transformé Howard, qui était le roi de tous les médias, en prince Harry de tous les médias. Tout le monde s''en fout "Trump avait l''habitude de participer à l''émission de Stern chaque semaine. Ils étaient amis. Alors cette idée que Trump est le pire type qui ait jamais marché sur la surface de la terre, pourquoi traîniez-vous avec lui ?" M Mais Stern, qui par le passé a été accusé de racisme et de sexisme dans nombre de ses sketches à l''antenne, a été un critique virulent de Trump tout au long de sa présidence et, plus récemment, alors qu''il se prépare à se présenter à nouveau en 2024. En 2021, M "Combien de temps allons-nous continuer à élire des gens qui ont perdu l''élection ?" Il a poursuivi en qualifiant les partisans de Trump de "nigauds". "Mon Dieu, j''ai l''impression d''être dans une nation de nigauds. J''espère qu''il y a encore des gens brillants et dynamiques qui aiment ce pays", a-t-il déclaré Alors cette idée que Trump est le pire type qui ait jamais marché sur la surface de la terre, pourquoi traîniez-vous avec lui ?" M. Failla a déclaré que cela avait "tué" M Si "woke" signifie que je ne peux pas soutenir Trump, ce que je pense que cela signifie, ou que je soutiens les personnes qui veulent être transgenres ou que je suis pour le vaccin, appelez-moi "woke" comme vous voulez Celui qui se décrit comme le "roi de tous les médias" a critiqué ouvertement l''ancien président américain Donald Trump, les anti-vaxx et, plus récemment, Lauren Boebert, qu''il a critiquée pour son comportement obscène dans un théâtre de Denver au début du mois "L''omnipotence médiatique de Donald Trump a brisé Howard Stern. C''est très important", a déclaré Failla dans la vidéo (selon OK ! Magazine). "Trump avait l''habitude de participer à l''émission de Stern chaque semaine L''aversion d''Howard Stern pour Donald Trump, c''est "tout l''ego". Si "woke" signifie que je ne peux pas soutenir Trump, ce que je pense que cela signifie, ou que je soutiens les personnes qui veulent être transgenres ou que je suis pour le vaccin, appelez-moi "woke" comme vous voulez Trump l''année prochaine. "Je sais que je lui botterai le cul", a-t-il déclaré aux auditeurs. L''année suivante, Stern a déclaré qu''il envisageait de se lancer dans la course à la présidence "pour que le pays soit à nouveau juste" En réponse, Trump a partagé sur sa plateforme Truth Social un clip de Fox News dans lequel l''animateur Jimmy Failla critique Stern. "L''omnipotence médiatique de Donald Trump a brisé Howard Stern "Je vais faire la chose très simple qui remettra le pays sur le droit chemin : un vote, une personne", a expliqué Stern, affirmant que Trump a en fait perdu l''élection de 2016 contre Hillary Clinton qui a remporté le vote populaire - mais pas le collège électoral' pipeline_tag: text-classification inference: true base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2 model-index: - name: SetFit with sentence-transformers/paraphrase-multilingual-mpnet-base-v2 results: - task: type: text-classification name: Text Classification dataset: name: Unknown type: unknown split: test metrics: - type: accuracy_score value: 0.923784494086728 name: Accuracy_Score - type: classification_report value: '0': precision: 0.9251101321585903 recall: 0.8898305084745762 f1-score: 0.9071274298056154 support: 236 '1': precision: 0.9081967213114754 recall: 0.920265780730897 f1-score: 0.9141914191419142 support: 301 '2': precision: 0.9432314410480349 recall: 0.9642857142857143 f1-score: 0.9536423841059601 support: 224 accuracy: 0.923784494086728 macro avg: precision: 0.9255127648393668 recall: 0.9247940011637291 f1-score: 0.9249870776844965 support: 761 weighted avg: precision: 0.9237543325873079 recall: 0.923784494086728 f1-score: 0.9236131204146865 support: 761 name: Classification_Report --- # SetFit with sentence-transformers/paraphrase-multilingual-mpnet-base-v2 This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2) 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:** [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2) - **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:** 3 classes ### 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 | |:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | pos | | | neg | | | obj | | ## Evaluation ### Metrics | Label | Accuracy_Score | Classification_Report | |:--------|:---------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | **all** | 0.9238 | {'0': {'precision': 0.9251101321585903, 'recall': 0.8898305084745762, 'f1-score': 0.9071274298056154, 'support': 236}, '1': {'precision': 0.9081967213114754, 'recall': 0.920265780730897, 'f1-score': 0.9141914191419142, 'support': 301}, '2': {'precision': 0.9432314410480349, 'recall': 0.9642857142857143, 'f1-score': 0.9536423841059601, 'support': 224}, 'accuracy': 0.923784494086728, 'macro avg': {'precision': 0.9255127648393668, 'recall': 0.9247940011637291, 'f1-score': 0.9249870776844965, 'support': 761}, 'weighted avg': {'precision': 0.9237543325873079, 'recall': 0.923784494086728, 'f1-score': 0.9236131204146865, 'support': 761}} | ## 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("mogaio/pr_ebsa_fr_tran_merged25_e5_end_offsets") # Run inference preds = model("Adil Hussain Adil Hussain est reconnaissant d'avoir reçu l'enseignement de l'acteur Naseeruddin Shah à l'époque où il fréquentait l'École nationale d'art dramatique") ``` ## Training Details ### Training Set Metrics | Training set | Min | Median | Max | |:-------------|:----|:---------|:-----| | Word count | 9 | 247.2638 | 2089 | | Label | Training Sample Count | |:------|:----------------------| | neg | 913 | | obj | 1216 | | pos | 911 | ### Training Hyperparameters - batch_size: (8, 8) - num_epochs: (5, 5) - max_steps: -1 - sampling_strategy: oversampling - num_iterations: 1 - 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 - seed: 42 - eval_max_steps: -1 - load_best_model_at_end: False ### Training Results | Epoch | Step | Training Loss | Validation Loss | |:------:|:----:|:-------------:|:---------------:| | 0.0013 | 1 | 0.3703 | - | | 0.0658 | 50 | 0.3145 | - | | 0.1316 | 100 | 0.1839 | - | | 0.1974 | 150 | 0.2558 | - | | 0.2632 | 200 | 0.2683 | - | | 0.3289 | 250 | 0.1572 | - | | 0.3947 | 300 | 0.1953 | - | | 0.4605 | 350 | 0.171 | - | | 0.5263 | 400 | 0.2326 | - | | 0.5921 | 450 | 0.1762 | - | | 0.6579 | 500 | 0.2818 | - | | 0.7237 | 550 | 0.2733 | - | | 0.7895 | 600 | 0.195 | - | | 0.8553 | 650 | 0.2104 | - | | 0.9211 | 700 | 0.2124 | - | | 0.9868 | 750 | 0.0818 | - | | 1.0526 | 800 | 0.1046 | - | | 1.1184 | 850 | 0.1633 | - | | 1.1842 | 900 | 0.3207 | - | | 1.25 | 950 | 0.2703 | - | | 1.3158 | 1000 | 0.1934 | - | | 1.3816 | 1050 | 0.2547 | - | | 1.4474 | 1100 | 0.0933 | - | | 1.5132 | 1150 | 0.2102 | - | | 1.5789 | 1200 | 0.0699 | - | | 1.6447 | 1250 | 0.1778 | - | | 1.7105 | 1300 | 0.1796 | - | | 1.7763 | 1350 | 0.0221 | - | | 1.8421 | 1400 | 0.2154 | - | | 1.9079 | 1450 | 0.1683 | - | | 1.9737 | 1500 | 0.3096 | - | | 2.0395 | 1550 | 0.201 | - | | 2.1053 | 1600 | 0.1954 | - | | 2.1711 | 1650 | 0.2301 | - | | 2.2368 | 1700 | 0.1141 | - | | 2.3026 | 1750 | 0.1949 | - | | 2.3684 | 1800 | 0.164 | - | | 2.4342 | 1850 | 0.2307 | - | | 2.5 | 1900 | 0.1912 | - | | 2.5658 | 1950 | 0.2349 | - | | 2.6316 | 2000 | 0.0922 | - | | 2.6974 | 2050 | 0.0702 | - | | 2.7632 | 2100 | 0.1089 | - | | 2.8289 | 2150 | 0.1711 | - | | 2.8947 | 2200 | 0.1432 | - | | 2.9605 | 2250 | 0.2739 | - | | 3.0263 | 2300 | 0.1889 | - | | 3.0921 | 2350 | 0.1036 | - | | 3.1579 | 2400 | 0.1372 | - | | 3.2237 | 2450 | 0.028 | - | | 3.2895 | 2500 | 0.1739 | - | | 3.3553 | 2550 | 0.142 | - | | 3.4211 | 2600 | 0.0838 | - | | 3.4868 | 2650 | 0.0657 | - | | 3.5526 | 2700 | 0.0054 | - | | 3.6184 | 2750 | 0.0426 | - | | 3.6842 | 2800 | 0.1974 | - | | 3.75 | 2850 | 0.0279 | - | | 3.8158 | 2900 | 0.1326 | - | | 3.8816 | 2950 | 0.1614 | - | | 3.9474 | 3000 | 0.1251 | - | | 4.0132 | 3050 | 0.1174 | - | | 4.0789 | 3100 | 0.1948 | - | | 4.1447 | 3150 | 0.0555 | - | | 4.2105 | 3200 | 0.0064 | - | | 4.2763 | 3250 | 0.064 | - | | 4.3421 | 3300 | 0.0013 | - | | 4.4079 | 3350 | 0.135 | - | | 4.4737 | 3400 | 0.0574 | - | | 4.5395 | 3450 | 0.174 | - | | 4.6053 | 3500 | 0.2199 | - | | 4.6711 | 3550 | 0.387 | - | | 4.7368 | 3600 | 0.114 | - | | 4.8026 | 3650 | 0.0853 | - | | 4.8684 | 3700 | 0.0325 | - | | 4.9342 | 3750 | 0.019 | - | | 5.0 | 3800 | 0.0572 | - | | 0.0013 | 1 | 0.1435 | - | | 0.0658 | 50 | 0.0969 | - | | 0.1316 | 100 | 0.1085 | - | | 0.1974 | 150 | 0.0271 | - | | 0.2632 | 200 | 0.0138 | - | | 0.3289 | 250 | 0.058 | - | | 0.3947 | 300 | 0.1205 | - | | 0.4605 | 350 | 0.0788 | - | | 0.5263 | 400 | 0.1449 | - | | 0.5921 | 450 | 0.0383 | - | | 0.6579 | 500 | 0.0338 | - | | 0.7237 | 550 | 0.1253 | - | | 0.7895 | 600 | 0.069 | - | | 0.8553 | 650 | 0.104 | - | | 0.9211 | 700 | 0.0462 | - | | 0.9868 | 750 | 0.1975 | - | | 1.0526 | 800 | 0.0241 | - | | 1.1184 | 850 | 0.0426 | - | | 1.1842 | 900 | 0.0519 | - | | 1.25 | 950 | 0.0815 | - | | 1.3158 | 1000 | 0.1839 | - | | 1.3816 | 1050 | 0.0198 | - | | 1.4474 | 1100 | 0.0128 | - | | 1.5132 | 1150 | 0.1645 | - | | 1.5789 | 1200 | 0.0019 | - | | 1.6447 | 1250 | 0.0557 | - | | 1.7105 | 1300 | 0.0098 | - | | 1.7763 | 1350 | 0.001 | - | | 1.8421 | 1400 | 0.1557 | - | | 1.9079 | 1450 | 0.1286 | - | | 1.9737 | 1500 | 0.094 | - | | 2.0395 | 1550 | 0.0059 | - | | 2.1053 | 1600 | 0.0227 | - | | 2.1711 | 1650 | 0.0899 | - | | 2.2368 | 1700 | 0.0053 | - | | 2.3026 | 1750 | 0.0021 | - | | 2.3684 | 1800 | 0.0114 | - | | 2.4342 | 1850 | 0.1163 | - | | 2.5 | 1900 | 0.0959 | - | | 2.5658 | 1950 | 0.0252 | - | | 2.6316 | 2000 | 0.0921 | - | | 2.6974 | 2050 | 0.1159 | - | | 2.7632 | 2100 | 0.0026 | - | | 2.8289 | 2150 | 0.1211 | - | | 2.8947 | 2200 | 0.1843 | - | | 2.9605 | 2250 | 0.0014 | - | | 3.0263 | 2300 | 0.0085 | - | | 3.0921 | 2350 | 0.0839 | - | | 3.1579 | 2400 | 0.2372 | - | | 3.2237 | 2450 | 0.0213 | - | | 3.2895 | 2500 | 0.0155 | - | | 3.3553 | 2550 | 0.1128 | - | | 3.4211 | 2600 | 0.0945 | - | | 3.4868 | 2650 | 0.0917 | - | | 3.5526 | 2700 | 0.0011 | - | | 3.6184 | 2750 | 0.0024 | - | | 3.6842 | 2800 | 0.0044 | - | | 3.75 | 2850 | 0.121 | - | | 3.8158 | 2900 | 0.0056 | - | | 3.8816 | 2950 | 0.003 | - | | 3.9474 | 3000 | 0.0899 | - | | 4.0132 | 3050 | 0.0157 | - | | 4.0789 | 3100 | 0.1188 | - | | 4.1447 | 3150 | 0.001 | - | | 4.2105 | 3200 | 0.0222 | - | | 4.2763 | 3250 | 0.1209 | - | | 4.3421 | 3300 | 0.1085 | - | | 4.4079 | 3350 | 0.0054 | - | | 4.4737 | 3400 | 0.0009 | - | | 4.5395 | 3450 | 0.0015 | - | | 4.6053 | 3500 | 0.003 | - | | 4.6711 | 3550 | 0.0009 | - | | 4.7368 | 3600 | 0.0003 | - | | 4.8026 | 3650 | 0.0009 | - | | 4.8684 | 3700 | 0.03 | - | | 4.9342 | 3750 | 0.1206 | - | | 5.0 | 3800 | 0.0003 | - | | 0.0013 | 1 | 0.2045 | - | | 0.0658 | 50 | 0.0078 | - | | 0.1316 | 100 | 0.0087 | - | | 0.1974 | 150 | 0.0386 | - | | 0.2632 | 200 | 0.1015 | - | | 0.3289 | 250 | 0.0022 | - | | 0.3947 | 300 | 0.0291 | - | | 0.4605 | 350 | 0.0013 | - | | 0.5263 | 400 | 0.0022 | - | | 0.5921 | 450 | 0.1324 | - | | 0.6579 | 500 | 0.113 | - | | 0.7237 | 550 | 0.0011 | - | | 0.7895 | 600 | 0.1723 | - | | 0.8553 | 650 | 0.0049 | - | | 0.9211 | 700 | 0.206 | - | | 0.9868 | 750 | 0.1683 | - | | 1.0526 | 800 | 0.0954 | - | | 1.1184 | 850 | 0.018 | - | | 1.1842 | 900 | 0.1854 | - | | 1.25 | 950 | 0.0342 | - | | 1.3158 | 1000 | 0.0015 | - | | 1.3816 | 1050 | 0.0062 | - | | 1.4474 | 1100 | 0.1187 | - | | 1.5132 | 1150 | 0.0048 | - | | 1.5789 | 1200 | 0.0011 | - | | 1.6447 | 1250 | 0.002 | - | | 1.7105 | 1300 | 0.092 | - | | 1.7763 | 1350 | 0.1245 | - | | 1.8421 | 1400 | 0.0009 | - | | 1.9079 | 1450 | 0.1185 | - | | 1.9737 | 1500 | 0.0017 | - | | 2.0395 | 1550 | 0.008 | - | | 2.1053 | 1600 | 0.0049 | - | | 2.1711 | 1650 | 0.0083 | - | | 2.2368 | 1700 | 0.0026 | - | | 2.3026 | 1750 | 0.0081 | - | | 2.3684 | 1800 | 0.0036 | - | | 2.4342 | 1850 | 0.0016 | - | | 2.5 | 1900 | 0.0017 | - | | 2.5658 | 1950 | 0.0014 | - | | 2.6316 | 2000 | 0.0017 | - | | 2.6974 | 2050 | 0.002 | - | | 2.7632 | 2100 | 0.1022 | - | | 2.8289 | 2150 | 0.0004 | - | | 2.8947 | 2200 | 0.0007 | - | | 2.9605 | 2250 | 0.0794 | - | | 3.0263 | 2300 | 0.0183 | - | | 3.0921 | 2350 | 0.0377 | - | | 3.1579 | 2400 | 0.029 | - | | 3.2237 | 2450 | 0.0003 | - | | 3.2895 | 2500 | 0.0961 | - | | 3.3553 | 2550 | 0.0008 | - | | 3.4211 | 2600 | 0.0873 | - | | 3.4868 | 2650 | 0.0501 | - | | 3.5526 | 2700 | 0.0029 | - | | 3.6184 | 2750 | 0.0008 | - | | 3.6842 | 2800 | 0.0004 | - | | 3.75 | 2850 | 0.0011 | - | | 3.8158 | 2900 | 0.0518 | - | | 3.8816 | 2950 | 0.0002 | - | | 3.9474 | 3000 | 0.1115 | - | | 4.0132 | 3050 | 0.0129 | - | | 4.0789 | 3100 | 0.0005 | - | | 4.1447 | 3150 | 0.0012 | - | | 4.2105 | 3200 | 0.1086 | - | | 4.2763 | 3250 | 0.0199 | - | | 4.3421 | 3300 | 0.0004 | - | | 4.4079 | 3350 | 0.0001 | - | | 4.4737 | 3400 | 0.0832 | - | | 4.5395 | 3450 | 0.0003 | - | | 4.6053 | 3500 | 0.0041 | - | | 4.6711 | 3550 | 0.1146 | - | | 4.7368 | 3600 | 0.0027 | - | | 4.8026 | 3650 | 0.0002 | - | | 4.8684 | 3700 | 0.0544 | - | | 4.9342 | 3750 | 0.0002 | - | | 5.0 | 3800 | 0.0046 | - | ### Framework Versions - Python: 3.10.12 - SetFit: 1.0.1 - Sentence Transformers: 2.2.2 - Transformers: 4.35.2 - PyTorch: 2.1.0+cu121 - Datasets: 2.15.0 - Tokenizers: 0.15.0 ## 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} } ```