spaly99/my-setfit-model-dataset-PG-OCR

SetFit with sentence-transformers/paraphrase-mpnet-base-v2

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

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 Type: SetFit
• Sentence Transformer body: sentence-transformers/paraphrase-mpnet-base-v2
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 512 tokens
• Number of Classes: 2 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
False	'Persistent' 'Forensic Contract' 'View Vendor List'
True	'winming camp at Taj Deccan. Morning and evening batches. Start today. Become a champ. Monday to Friday till 3 Ist march ' '您的反馈已记录，我们将努力改善您的浏览体验。' 'Ve ConcerrualL DESIGNER '

Evaluation

Metrics

Label	Accuracy	Precision	Recall	F1
all	0.5003	0.0	0.0	0.0

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("Google Maps")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	8.5055	706

Label	Training Sample Count
False	6399
True	6401

Training Hyperparameters

• batch_size: (16, 2)
• num_epochs: (1, 16)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 20
• 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
• run_name: PG-OCR-test-1
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0000	1	0.5	-
0.0016	50	0.5	-
0.0031	100	0.5	-
0.0047	150	0.5	-
0.0063	200	0.5	-
0.0078	250	0.5	-
0.0094	300	0.5	-
0.0109	350	0.5	-
0.0125	400	0.5	-
0.0141	450	0.5	-
0.0156	500	0.5	-
0.0172	550	0.5	-
0.0187	600	0.5	-
0.0203	650	0.5	-
0.0219	700	0.5	-
0.0234	750	0.5	-
0.025	800	0.5	-
0.0266	850	0.5	-
0.0281	900	0.5	-
0.0297	950	0.5	-
0.0312	1000	0.5	-
0.0328	1050	0.5	-
0.0344	1100	0.5	-
0.0359	1150	0.5	-
0.0375	1200	0.5	-
0.0391	1250	0.5	-
0.0406	1300	0.5	-
0.0422	1350	0.5	-
0.0437	1400	0.5	-
0.0453	1450	0.5	-
0.0469	1500	0.5	-
0.0484	1550	0.5	-
0.05	1600	0.5	-
0.0516	1650	0.5	-
0.0531	1700	0.5	-
0.0547	1750	0.5	-
0.0563	1800	0.5	-
0.0578	1850	0.5	-
0.0594	1900	0.5	-
0.0609	1950	0.5	-
0.0625	2000	0.5	-
0.0641	2050	0.5	-
0.0656	2100	0.5	-
0.0672	2150	0.5	-
0.0688	2200	0.5	-
0.0703	2250	0.5	-
0.0719	2300	0.5	-
0.0734	2350	0.5	-
0.075	2400	0.5	-
0.0766	2450	0.5	-
0.0781	2500	0.5	-
0.0797	2550	0.5	-
0.0813	2600	0.5	-
0.0828	2650	0.5	-
0.0844	2700	0.5	-
0.0859	2750	0.5	-
0.0875	2800	0.5	-
0.0891	2850	0.5	-
0.0906	2900	0.5	-
0.0922	2950	0.5	-
0.0938	3000	0.5	-
0.0953	3050	0.5	-
0.0969	3100	0.5	-
0.0984	3150	0.5	-
0.1	3200	0.5	-
0.1016	3250	0.5	-
0.1031	3300	0.5	-
0.1047	3350	0.5	-
0.1062	3400	0.5	-
0.1078	3450	0.5	-
0.1094	3500	0.5	-
0.1109	3550	0.5	-
0.1125	3600	0.5	-
0.1141	3650	0.5	-
0.1156	3700	0.5	-
0.1172	3750	0.5	-
0.1187	3800	0.5	-
0.1203	3850	0.5	-
0.1219	3900	0.5	-
0.1234	3950	0.5	-
0.125	4000	0.5	-
0.1266	4050	0.5	-
0.1281	4100	0.5	-
0.1297	4150	0.5	-
0.1313	4200	0.5	-
0.1328	4250	0.5	-
0.1344	4300	0.5	-
0.1359	4350	0.5	-
0.1375	4400	0.5	-
0.1391	4450	0.5	-
0.1406	4500	0.5	-
0.1422	4550	0.5	-
0.1437	4600	0.5	-
0.1453	4650	0.5	-
0.1469	4700	0.5	-
0.1484	4750	0.5	-
0.15	4800	0.5	-
0.1516	4850	0.5	-
0.1531	4900	0.5	-
0.1547	4950	0.5	-
0.1562	5000	0.5	0.5
0.1578	5050	0.5	-
0.1594	5100	0.5	-
0.1609	5150	0.5	-
0.1625	5200	0.5	-
0.1641	5250	0.5	-
0.1656	5300	0.5	-
0.1672	5350	0.5	-
0.1688	5400	0.5	-
0.1703	5450	0.5	-
0.1719	5500	0.5	-
0.1734	5550	0.5	-
0.175	5600	0.5	-
0.1766	5650	0.5	-
0.1781	5700	0.5	-
0.1797	5750	0.5	-
0.1812	5800	0.5	-
0.1828	5850	0.5	-
0.1844	5900	0.5	-
0.1859	5950	0.5	-
0.1875	6000	0.5	-
0.1891	6050	0.5	-
0.1906	6100	0.5	-
0.1922	6150	0.5	-
0.1938	6200	0.5	-
0.1953	6250	0.5	-
0.1969	6300	0.5	-
0.1984	6350	0.5	-
0.2	6400	0.5	-
0.2016	6450	0.5	-
0.2031	6500	0.5	-
0.2047	6550	0.5	-
0.2062	6600	0.5	-
0.2078	6650	0.5	-
0.2094	6700	0.5	-
0.2109	6750	0.5	-
0.2125	6800	0.5	-
0.2141	6850	0.5	-
0.2156	6900	0.5	-
0.2172	6950	0.5	-
0.2188	7000	0.5	-
0.2203	7050	0.5	-
0.2219	7100	0.5	-
0.2234	7150	0.5	-
0.225	7200	0.5	-
0.2266	7250	0.5	-
0.2281	7300	0.5	-
0.2297	7350	0.5	-
0.2313	7400	0.5	-
0.2328	7450	0.5	-
0.2344	7500	0.5	-
0.2359	7550	0.5	-
0.2375	7600	0.5	-
0.2391	7650	0.5	-
0.2406	7700	0.5	-
0.2422	7750	0.5	-
0.2437	7800	0.5	-
0.2453	7850	0.5	-
0.2469	7900	0.5	-
0.2484	7950	0.5	-
0.25	8000	0.5	-
0.2516	8050	0.5	-
0.2531	8100	0.5	-
0.2547	8150	0.5	-
0.2562	8200	0.5	-
0.2578	8250	0.5	-
0.2594	8300	0.5	-
0.2609	8350	0.5	-
0.2625	8400	0.5	-
0.2641	8450	0.5	-
0.2656	8500	0.5	-
0.2672	8550	0.5	-
0.2687	8600	0.5	-
0.2703	8650	0.5	-
0.2719	8700	0.5	-
0.2734	8750	0.5	-
0.275	8800	0.5	-
0.2766	8850	0.5	-
0.2781	8900	0.5	-
0.2797	8950	0.5	-
0.2812	9000	0.5	-
0.2828	9050	0.5	-
0.2844	9100	0.5	-
0.2859	9150	0.5	-
0.2875	9200	0.5	-
0.2891	9250	0.5	-
0.2906	9300	0.5	-
0.2922	9350	0.5	-
0.2938	9400	0.5	-
0.2953	9450	0.5	-
0.2969	9500	0.5	-
0.2984	9550	0.5	-
0.3	9600	0.5	-
0.3016	9650	0.5	-
0.3031	9700	0.5	-
0.3047	9750	0.5	-
0.3063	9800	0.5	-
0.3078	9850	0.5	-
0.3094	9900	0.5	-
0.3109	9950	0.5	-
0.3125	10000	0.5	0.5
0.3141	10050	0.5	-
0.3156	10100	0.5	-
0.3172	10150	0.5	-
0.3187	10200	0.5	-
0.3203	10250	0.5	-
0.3219	10300	0.5	-
0.3234	10350	0.5	-
0.325	10400	0.5	-
0.3266	10450	0.5	-
0.3281	10500	0.5	-
0.3297	10550	0.5	-
0.3312	10600	0.5	-
0.3328	10650	0.5	-
0.3344	10700	0.5	-
0.3359	10750	0.5	-
0.3375	10800	0.5	-
0.3391	10850	0.5	-
0.3406	10900	0.5	-
0.3422	10950	0.5	-
0.3438	11000	0.5	-
0.3453	11050	0.5	-
0.3469	11100	0.5	-
0.3484	11150	0.5	-
0.35	11200	0.5	-
0.3516	11250	0.5	-
0.3531	11300	0.5	-
0.3547	11350	0.5	-
0.3563	11400	0.5	-
0.3578	11450	0.5	-
0.3594	11500	0.5	-
0.3609	11550	0.5	-
0.3625	11600	0.5	-
0.3641	11650	0.5	-
0.3656	11700	0.5	-
0.3672	11750	0.5	-
0.3688	11800	0.5	-
0.3703	11850	0.5	-
0.3719	11900	0.5	-
0.3734	11950	0.5	-
0.375	12000	0.5	-
0.3766	12050	0.5	-
0.3781	12100	0.5	-
0.3797	12150	0.5	-
0.3812	12200	0.5	-
0.3828	12250	0.5	-
0.3844	12300	0.5	-
0.3859	12350	0.5	-
0.3875	12400	0.5	-
0.3891	12450	0.5	-
0.3906	12500	0.5	-
0.3922	12550	0.5	-
0.3937	12600	0.5	-
0.3953	12650	0.5	-
0.3969	12700	0.5	-
0.3984	12750	0.5	-
0.4	12800	0.5	-
0.4016	12850	0.5	-
0.4031	12900	0.5	-
0.4047	12950	0.5	-
0.4062	13000	0.5	-
0.4078	13050	0.5	-
0.4094	13100	0.5	-
0.4109	13150	0.5	-
0.4125	13200	0.5	-
0.4141	13250	0.5	-
0.4156	13300	0.5	-
0.4172	13350	0.5	-
0.4188	13400	0.5	-
0.4203	13450	0.5	-
0.4219	13500	0.5	-
0.4234	13550	0.5	-
0.425	13600	0.5	-
0.4266	13650	0.5	-
0.4281	13700	0.5	-
0.4297	13750	0.5	-
0.4313	13800	0.5	-
0.4328	13850	0.5	-
0.4344	13900	0.5	-
0.4359	13950	0.5	-
0.4375	14000	0.5	-
0.4391	14050	0.5	-
0.4406	14100	0.5	-
0.4422	14150	0.5	-
0.4437	14200	0.5	-
0.4453	14250	0.5	-
0.4469	14300	0.5	-
0.4484	14350	0.5	-
0.45	14400	0.5	-
0.4516	14450	0.5	-
0.4531	14500	0.5	-
0.4547	14550	0.5	-
0.4562	14600	0.5	-
0.4578	14650	0.5	-
0.4594	14700	0.5	-
0.4609	14750	0.5	-
0.4625	14800	0.5	-
0.4641	14850	0.5	-
0.4656	14900	0.5	-
0.4672	14950	0.5	-
0.4688	15000	0.5	0.5
0.4703	15050	0.5	-
0.4719	15100	0.5	-
0.4734	15150	0.5	-
0.475	15200	0.5	-
0.4766	15250	0.5	-
0.4781	15300	0.5	-
0.4797	15350	0.5	-
0.4813	15400	0.5	-
0.4828	15450	0.5	-
0.4844	15500	0.5	-
0.4859	15550	0.5	-
0.4875	15600	0.5	-
0.4891	15650	0.5	-
0.4906	15700	0.5	-
0.4922	15750	0.5	-
0.4938	15800	0.5	-
0.4953	15850	0.5	-
0.4969	15900	0.5	-
0.4984	15950	0.5	-
0.5	16000	0.5	-
0.5016	16050	0.5	-
0.5031	16100	0.5	-
0.5047	16150	0.5	-
0.5062	16200	0.5	-
0.5078	16250	0.5	-
0.5094	16300	0.5	-
0.5109	16350	0.5	-
0.5125	16400	0.5	-
0.5141	16450	0.5	-
0.5156	16500	0.5	-
0.5172	16550	0.5	-
0.5188	16600	0.5	-
0.5203	16650	0.5	-
0.5219	16700	0.5	-
0.5234	16750	0.5	-
0.525	16800	0.5	-
0.5266	16850	0.5	-
0.5281	16900	0.5	-
0.5297	16950	0.5	-
0.5312	17000	0.5	-
0.5328	17050	0.5	-
0.5344	17100	0.5	-
0.5359	17150	0.5	-
0.5375	17200	0.5	-
0.5391	17250	0.5	-
0.5406	17300	0.5	-
0.5422	17350	0.5	-
0.5437	17400	0.5	-
0.5453	17450	0.5	-
0.5469	17500	0.5	-
0.5484	17550	0.5	-
0.55	17600	0.5	-
0.5516	17650	0.5	-
0.5531	17700	0.5	-
0.5547	17750	0.5	-
0.5563	17800	0.5	-
0.5578	17850	0.5	-
0.5594	17900	0.5	-
0.5609	17950	0.5	-
0.5625	18000	0.5	-
0.5641	18050	0.5	-
0.5656	18100	0.5	-
0.5672	18150	0.5	-
0.5687	18200	0.5	-
0.5703	18250	0.5	-
0.5719	18300	0.5	-
0.5734	18350	0.5	-
0.575	18400	0.5	-
0.5766	18450	0.5	-
0.5781	18500	0.5	-
0.5797	18550	0.5	-
0.5813	18600	0.5	-
0.5828	18650	0.5	-
0.5844	18700	0.5	-
0.5859	18750	0.5	-
0.5875	18800	0.5	-
0.5891	18850	0.5	-
0.5906	18900	0.5	-
0.5922	18950	0.5	-
0.5938	19000	0.5	-
0.5953	19050	0.5	-
0.5969	19100	0.5	-
0.5984	19150	0.5	-
0.6	19200	0.5	-
0.6016	19250	0.5	-
0.6031	19300	0.5	-
0.6047	19350	0.5	-
0.6062	19400	0.5	-
0.6078	19450	0.5	-
0.6094	19500	0.5	-
0.6109	19550	0.5	-
0.6125	19600	0.5	-
0.6141	19650	0.5	-
0.6156	19700	0.5	-
0.6172	19750	0.5	-
0.6188	19800	0.5	-
0.6203	19850	0.5	-
0.6219	19900	0.5	-
0.6234	19950	0.5	-
0.625	20000	0.5	0.5
0.6266	20050	0.5	-
0.6281	20100	0.5	-
0.6297	20150	0.5	-
0.6312	20200	0.5	-
0.6328	20250	0.5	-
0.6344	20300	0.5	-
0.6359	20350	0.5	-
0.6375	20400	0.5	-
0.6391	20450	0.5	-
0.6406	20500	0.5	-
0.6422	20550	0.5	-
0.6438	20600	0.5	-
0.6453	20650	0.5	-
0.6469	20700	0.5	-
0.6484	20750	0.5	-
0.65	20800	0.5	-
0.6516	20850	0.5	-
0.6531	20900	0.5	-
0.6547	20950	0.5	-
0.6562	21000	0.5	-
0.6578	21050	0.5	-
0.6594	21100	0.5	-
0.6609	21150	0.5	-
0.6625	21200	0.5	-
0.6641	21250	0.5	-
0.6656	21300	0.5	-
0.6672	21350	0.5	-
0.6687	21400	0.5	-
0.6703	21450	0.5	-
0.6719	21500	0.5	-
0.6734	21550	0.5	-
0.675	21600	0.5	-
0.6766	21650	0.5	-
0.6781	21700	0.5	-
0.6797	21750	0.5	-
0.6813	21800	0.5	-
0.6828	21850	0.5	-
0.6844	21900	0.5	-
0.6859	21950	0.5	-
0.6875	22000	0.5	-
0.6891	22050	0.5	-
0.6906	22100	0.5	-
0.6922	22150	0.5	-
0.6937	22200	0.5	-
0.6953	22250	0.5	-
0.6969	22300	0.5	-
0.6984	22350	0.5	-
0.7	22400	0.5	-
0.7016	22450	0.5	-
0.7031	22500	0.5	-
0.7047	22550	0.5	-
0.7063	22600	0.5	-
0.7078	22650	0.5	-
0.7094	22700	0.5	-
0.7109	22750	0.5	-
0.7125	22800	0.5	-
0.7141	22850	0.5	-
0.7156	22900	0.5	-
0.7172	22950	0.5	-
0.7188	23000	0.5	-
0.7203	23050	0.5	-
0.7219	23100	0.5	-
0.7234	23150	0.5	-
0.725	23200	0.5	-
0.7266	23250	0.5	-
0.7281	23300	0.5	-
0.7297	23350	0.5	-
0.7312	23400	0.5	-
0.7328	23450	0.5	-
0.7344	23500	0.5	-
0.7359	23550	0.5	-
0.7375	23600	0.5	-
0.7391	23650	0.5	-
0.7406	23700	0.5	-
0.7422	23750	0.5	-
0.7438	23800	0.5	-
0.7453	23850	0.5	-
0.7469	23900	0.5	-
0.7484	23950	0.5	-
0.75	24000	0.5	-
0.7516	24050	0.5	-
0.7531	24100	0.5	-
0.7547	24150	0.5	-
0.7562	24200	0.5	-
0.7578	24250	0.5	-
0.7594	24300	0.5	-
0.7609	24350	0.5	-
0.7625	24400	0.5	-
0.7641	24450	0.5	-
0.7656	24500	0.5	-
0.7672	24550	0.5	-
0.7688	24600	0.5	-
0.7703	24650	0.5	-
0.7719	24700	0.5	-
0.7734	24750	0.5	-
0.775	24800	0.5	-
0.7766	24850	0.5	-
0.7781	24900	0.5	-
0.7797	24950	0.5	-
0.7812	25000	0.5	0.5
0.7828	25050	0.5	-
0.7844	25100	0.5	-
0.7859	25150	0.5	-
0.7875	25200	0.5	-
0.7891	25250	0.5	-
0.7906	25300	0.5	-
0.7922	25350	0.5	-
0.7937	25400	0.5	-
0.7953	25450	0.5	-
0.7969	25500	0.5	-
0.7984	25550	0.5	-
0.8	25600	0.5	-
0.8016	25650	0.5	-
0.8031	25700	0.5	-
0.8047	25750	0.5	-
0.8063	25800	0.5	-
0.8078	25850	0.5	-
0.8094	25900	0.5	-
0.8109	25950	0.5	-
0.8125	26000	0.5	-
0.8141	26050	0.5	-
0.8156	26100	0.5	-
0.8172	26150	0.5	-
0.8187	26200	0.5	-
0.8203	26250	0.5	-
0.8219	26300	0.5	-
0.8234	26350	0.5	-
0.825	26400	0.5	-
0.8266	26450	0.5	-
0.8281	26500	0.5	-
0.8297	26550	0.5	-
0.8313	26600	0.5	-
0.8328	26650	0.5	-
0.8344	26700	0.5	-
0.8359	26750	0.5	-
0.8375	26800	0.5	-
0.8391	26850	0.5	-
0.8406	26900	0.5	-
0.8422	26950	0.5	-
0.8438	27000	0.5	-
0.8453	27050	0.5	-
0.8469	27100	0.5	-
0.8484	27150	0.5	-
0.85	27200	0.5	-
0.8516	27250	0.5	-
0.8531	27300	0.5	-
0.8547	27350	0.5	-
0.8562	27400	0.5	-
0.8578	27450	0.5	-
0.8594	27500	0.5	-
0.8609	27550	0.5	-
0.8625	27600	0.5	-
0.8641	27650	0.5	-
0.8656	27700	0.5	-
0.8672	27750	0.5	-
0.8688	27800	0.5	-
0.8703	27850	0.5	-
0.8719	27900	0.5	-
0.8734	27950	0.5	-
0.875	28000	0.5	-
0.8766	28050	0.5	-
0.8781	28100	0.5	-
0.8797	28150	0.5	-
0.8812	28200	0.5	-
0.8828	28250	0.5	-
0.8844	28300	0.5	-
0.8859	28350	0.5	-
0.8875	28400	0.5	-
0.8891	28450	0.5	-
0.8906	28500	0.5	-
0.8922	28550	0.5	-
0.8938	28600	0.5	-
0.8953	28650	0.5	-
0.8969	28700	0.5	-
0.8984	28750	0.5	-
0.9	28800	0.5	-
0.9016	28850	0.5	-
0.9031	28900	0.5	-
0.9047	28950	0.5	-
0.9062	29000	0.5	-
0.9078	29050	0.5	-
0.9094	29100	0.5	-
0.9109	29150	0.5	-
0.9125	29200	0.5	-
0.9141	29250	0.5	-
0.9156	29300	0.5	-
0.9172	29350	0.5	-
0.9187	29400	0.5	-
0.9203	29450	0.5	-
0.9219	29500	0.5	-
0.9234	29550	0.5	-
0.925	29600	0.5	-
0.9266	29650	0.5	-
0.9281	29700	0.5	-
0.9297	29750	0.5	-
0.9313	29800	0.5	-
0.9328	29850	0.5	-
0.9344	29900	0.5	-
0.9359	29950	0.5	-
0.9375	30000	0.5	0.5
0.9391	30050	0.5	-
0.9406	30100	0.5	-
0.9422	30150	0.5	-
0.9437	30200	0.5	-
0.9453	30250	0.5	-
0.9469	30300	0.5	-
0.9484	30350	0.5	-
0.95	30400	0.5	-
0.9516	30450	0.5	-
0.9531	30500	0.5	-
0.9547	30550	0.5	-
0.9563	30600	0.5	-
0.9578	30650	0.5	-
0.9594	30700	0.5	-
0.9609	30750	0.5	-
0.9625	30800	0.5	-
0.9641	30850	0.5	-
0.9656	30900	0.5	-
0.9672	30950	0.5	-
0.9688	31000	0.5	-
0.9703	31050	0.5	-
0.9719	31100	0.5	-
0.9734	31150	0.5	-
0.975	31200	0.5	-
0.9766	31250	0.5	-
0.9781	31300	0.5	-
0.9797	31350	0.5	-
0.9812	31400	0.5	-
0.9828	31450	0.5	-
0.9844	31500	0.5	-
0.9859	31550	0.5	-
0.9875	31600	0.5	-
0.9891	31650	0.5	-
0.9906	31700	0.5	-
0.9922	31750	0.5	-
0.9938	31800	0.5	-
0.9953	31850	0.5	-
0.9969	31900	0.5	-
0.9984	31950	0.5	-
1.0	32000	0.5	-

Framework Versions

• Python: 3.11.0
• SetFit: 1.0.3
• Sentence Transformers: 2.3.0
• Transformers: 4.37.2
• PyTorch: 2.2.1+cu121
• Datasets: 2.16.1
• Tokenizers: 0.15.1

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}
}