Model Card of vocabtrimmer/mt5-small-trimmed-fr-10000-frquad-qa

This model is fine-tuned version of vocabtrimmer/mt5-small-trimmed-fr-10000 for question answering task on the lmqg/qg_frquad (dataset_name: default) via lmqg.

Overview

Usage

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="fr", model="vocabtrimmer/mt5-small-trimmed-fr-10000-frquad-qa")

# model prediction
answers = model.answer_q(list_question="En quelle année a-t-on trouvé trace d'un haut fourneau similaire?", list_context=" Cette technologie ne disparaît qu'au début du XXe siècle. On retrouve vers 1900 un haut fourneau similaire dans le Bulacan, aux Philippines. Plus tard encore, le « haut fourneau dans la cour » prôné par Mao Zedong pendant le Grand Bond en avant est de ce type. L'expérience n'est un échec technique que dans les régions où le savoir-faire n'existe pas, ou a disparu.")
  • With transformers
from transformers import pipeline

pipe = pipeline("text2text-generation", "vocabtrimmer/mt5-small-trimmed-fr-10000-frquad-qa")
output = pipe("question: En quelle année a-t-on trouvé trace d'un haut fourneau similaire?, context: Cette technologie ne disparaît qu'au début du XXe siècle. On retrouve vers 1900 un haut fourneau similaire dans le Bulacan, aux Philippines. Plus tard encore, le « haut fourneau dans la cour » prôné par Mao Zedong pendant le Grand Bond en avant est de ce type. L'expérience n'est un échec technique que dans les régions où le savoir-faire n'existe pas, ou a disparu.")

Evaluation

Score Type Dataset
AnswerExactMatch 30.24 default lmqg/qg_frquad
AnswerF1Score 47.59 default lmqg/qg_frquad
BERTScore 89.65 default lmqg/qg_frquad
Bleu_1 28.11 default lmqg/qg_frquad
Bleu_2 23.97 default lmqg/qg_frquad
Bleu_3 21.1 default lmqg/qg_frquad
Bleu_4 18.63 default lmqg/qg_frquad
METEOR 23.73 default lmqg/qg_frquad
MoverScore 72.01 default lmqg/qg_frquad
ROUGE_L 29.33 default lmqg/qg_frquad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

  • dataset_path: lmqg/qg_frquad
  • dataset_name: default
  • input_types: ['paragraph_question']
  • output_types: ['answer']
  • prefix_types: None
  • model: vocabtrimmer/mt5-small-trimmed-fr-10000
  • max_length: 512
  • max_length_output: 32
  • epoch: 25
  • batch: 32
  • lr: 0.0005
  • fp16: False
  • random_seed: 1
  • gradient_accumulation_steps: 2
  • label_smoothing: 0.15

The full configuration can be found at fine-tuning config file.

Citation

@inproceedings{ushio-etal-2022-generative,
    title = "{G}enerative {L}anguage {M}odels for {P}aragraph-{L}evel {Q}uestion {G}eneration",
    author = "Ushio, Asahi  and
        Alva-Manchego, Fernando  and
        Camacho-Collados, Jose",
    booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
    month = dec,
    year = "2022",
    address = "Abu Dhabi, U.A.E.",
    publisher = "Association for Computational Linguistics",
}
Downloads last month
7
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Evaluation results

  • BLEU4 (Question Answering) on lmqg/qg_frquad
    self-reported
    18.630
  • ROUGE-L (Question Answering) on lmqg/qg_frquad
    self-reported
    29.330
  • METEOR (Question Answering) on lmqg/qg_frquad
    self-reported
    23.730
  • BERTScore (Question Answering) on lmqg/qg_frquad
    self-reported
    89.650
  • MoverScore (Question Answering) on lmqg/qg_frquad
    self-reported
    72.010
  • AnswerF1Score (Question Answering) on lmqg/qg_frquad
    self-reported
    47.590
  • AnswerExactMatch (Question Answering) on lmqg/qg_frquad
    self-reported
    30.240