Deberta V3 Large Zeroshot V1

🚀 deberta-v3-large-zeroshot-v1

このモデルは、Hugging Faceパイプラインを用いたゼロショット分類に特化しています。Hugging Faceハブ上の他のゼロショットモデルよりも、ゼロショット分類タスクで優れた性能を発揮します。

🚀 クイックスタート

このモデルは、与えられたテキストに基づいて、仮説が true または not_true であるかを判断することができます。このタスク形式は、自然言語推論タスク（NLI）に基づいています。

✨ 主な機能

• ゼロショット分類に特化したモデルです。
• 様々な分類タスクを、仮説の真偽判断タスクに変換して処理することができます。

📦 インストール

このモデルはHugging Faceのパイプラインを通じて使用できます。以下のコードで簡単にインストールできます。

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/deberta-v3-large-zeroshot-v1")

💻 使用例

基本的な使用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/deberta-v3-large-zeroshot-v1")
sequence_to_classify = "Angela Merkel is a politician in Germany and leader of the CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

高度な使用法

このモデルは、ゼロショット分類タスクにおいて、多様なラベルを用いた分類が可能です。また、multi_label パラメータを True に設定することで、複数のラベルを同時に予測することもできます。

📚 ドキュメント

データとトレーニングの詳細

データの準備、モデルのトレーニングと評価に関するコードは、すべてオープンソースで公開されています。詳細はこちらを参照してください。 https://github.com/MoritzLaurer/zeroshot-classifier/tree/main

制限事項とバイアス

このモデルは、テキスト分類タスクのみを行うことができます。潜在的なバイアスについては、元のDeBERTa論文および各データセットの論文を参照してください。

🔧 技術詳細

トレーニングデータ

このモデルは、27のタスクと310のクラスを混合したデータセットでトレーニングされています。

1. 約400kのテキストを含む26の分類タスク
   • 'amazonpolarity', 'imdb', 'appreviews', 'yelpreviews', 'rottentomatoes',
   • 'emotiondair', 'emocontext', 'empathetic',
   • 'financialphrasebank', 'banking77', 'massive',
   • 'wikitoxic_toxicaggregated', 'wikitoxic_obscene', 'wikitoxic_threat', 'wikitoxic_insult', 'wikitoxic_identityhate',
   • 'hateoffensive', 'hatexplain', 'biasframes_offensive', 'biasframes_sex', 'biasframes_intent',
   • 'agnews', 'yahootopics',
   • 'trueteacher', 'spam', 'wellformedquery'. 各データセットの詳細はこちらを参照してください。 https://docs.google.com/spreadsheets/d/1Z18tMh02IiWgh6o8pfoMiI_LH4IXpr78wd_nmNd5FaE/edit?usp=sharing
2. 約885kのテキストを含む5つのNLIデータセット
   • "mnli", "anli", "fever", "wanli", "ling"

他のNLIモデルとは異なり、このモデルは2つのクラス（entailment と not_entailment）を予測します。

📄 ライセンス

ベースモデル（DeBERTa-v3）は、MITライセンスの下で公開されています。モデルがファインチューニングされたデータセットは、様々なライセンスの下で公開されています。ファインチューニングに使用された非NLIデータセットのライセンス情報などは、以下のスプレッドシートを参照してください。 https://docs.google.com/spreadsheets/d/1Z18tMh02IiWgh6o8pfoMiI_LH4IXpr78wd_nmNd5FaE/edit?usp=sharing

また、このモデルは、MNLI、ANLI、WANLI、LING-NLI、FEVER-NLIなどのNLIデータセットでもトレーニングされています。

引用

このモデルを使用する場合は、以下の文献を引用してください。

@article{laurer_less_2023,
    title = {Less {Annotating}, {More} {Classifying}: {Addressing} the {Data} {Scarcity} {Issue} of {Supervised} {Machine} {Learning} with {Deep} {Transfer} {Learning} and {BERT}-{NLI}},
    issn = {1047-1987, 1476-4989},
    shorttitle = {Less {Annotating}, {More} {Classifying}},
    url = {https://www.cambridge.org/core/product/identifier/S1047198723000207/type/journal_article},
    doi = {10.1017/pan.2023.20},
    language = {en},
    urldate = {2023-06-20},
    journal = {Political Analysis},
    author = {Laurer, Moritz and Van Atteveldt, Wouter and Casas, Andreu and Welbers, Kasper},
    month = jun,
    year = {2023},
    pages = {1--33},
}

コラボレーションのアイデアや質問は？

コラボレーションのアイデアや質問がある場合は、m{dot}laurer{at}vu{dot}nl または LinkedIn までご連絡ください。

デバッグと問題点

DeBERTa-v3は2021年12月6日にリリースされました。古いバージョンのHF Transformersでは、このモデルを実行する際に問題が発生する場合があります（例えば、トークナイザに関する問題）。Transformers >= 4.13を使用することで、一部の問題を解決できる可能性があります。