Ernie M Base Mnli Xnli

🚀 マルチ言語 ernie-m-base-mnli-xnli

このマルチ言語モデルは100言語で自然言語推論（NLI）を実行でき、マルチ言語のゼロショット分類にも適しています。ベースとなるモデルは、MetaのRoBERTa（CC100マルチ言語データセットで事前学習）に基づいて、百度によって事前学習されました。その後、15言語の仮説と前提のペアを含むXNLIデータセットと英語のMNLIデータセットでファインチューニングされました。このモデルは百度によってこの論文で紹介されました。同じサイズのRoBERTaモデルを上回る性能を発揮します。

もしより高速（ただし性能はやや低い）なモデルを探している場合は、multilingual-MiniLMv2-L6-mnli-xnliを試してみてください。同じサイズのモデルの中では、mDeBERTa-v3-base-mnli-xnliがXNLIベンチマークでより良い性能を発揮します。より高い性能を求める場合は、より低速なernie-m-large-mnli-xnliを試してみることができます。

🚀 クイックスタート

✨ 主な機能

• 100言語での自然言語推論（NLI）を実行可能。
• マルチ言語のゼロショット分類に適している。
• 同じサイズのRoBERTaモデルを上回る性能を発揮する。

📦 インストール

ernie-mアーキテクチャはtransformers==4.27以上でのみサポートされています（2023年3月3日現在、まだリリースされておらず、推論ウィジェットでエラーが発生します）。4.27のリリース前にモデルを実行するには、以下のコマンドでソースからtransformersをインストールする必要があります。

pip install git+https://github.com/huggingface/transformers

また、sentencepieceトークナイザーもインストールする必要があります。

pip install sentencepiece

リリース後は、以下のコマンドを実行できます。

pip install transformers[sentencepiece]>=4.27

💻 使用例

基本的な使用法

シンプルなゼロショット分類パイプライン

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/ernie-m-base-mnli-xnli")

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLIの使用例

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/ernie-m-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name).to(device)

premise = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))  # device = "cuda:0" or "cpu"
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

🔧 技術詳細

学習データ

このモデルはXNLI開発データセットとMNLI学習データセットで学習されました。XNLI開発セットは、英語から14の他の言語に専門家によって翻訳された2490のテキストで構成されています（合計37350のテキスト）（この論文を参照）。XNLIには15言語のMNLIデータセットの15の機械翻訳バージョンの学習セットが含まれていますが、これらの機械翻訳の品質問題のため、このモデルはXNLI開発セットの専門家による翻訳と元の英語のMNLI学習セット（392702のテキスト）のみで学習されました。機械翻訳されたテキストを使用しないことで、モデルが15の言語に過学習するのを避けることができ、ernie-mが事前学習された他の85の言語の大規模な忘却を避けることができ、学習コストを大幅に削減することができます。

学習手順

ernie-m-base-mnli-xnliは、以下のハイパーパラメータでHugging Faceトレーナーを使用して学習されました。

training_args = TrainingArguments(
    num_train_epochs=3,              # 学習エポックの総数
    learning_rate=3e-05,
    per_device_train_batch_size=16,   # 学習中のデバイスごとのバッチサイズ
    gradient_accumulation_steps=2,
    per_device_eval_batch_size=16,    # 評価用のバッチサイズ
    warmup_ratio=0.1,                # 学習率スケジューラーのウォームアップステップ数
    weight_decay=0.01,               # 重み減衰の強度
    fp16=True,
)

評価結果

このモデルは、15の言語のXNLIテストセットで評価されました（言語ごとに5010のテキスト、合計75150）。マルチ言語NLIモデルは、特定の言語のNLI学習データを受け取らずにNLIテキストを分類することができます（クロスリンガル転移）。これは、モデルがmDeBERTaが学習された他の85の言語でもNLIを行うことができることを意味しますが、XNLIで利用可能な言語よりも性能が低い可能性が高いです。

また、モデルハブ上の他のマルチ言語モデルが英語以外の言語で約90％の性能を主張している場合、最新の論文のどれもXNLIで80％を数ポイント上回るマルチ言語平均性能を示していないため、著者はおそらくテスト中に間違いを犯しています（ここまたはここを参照）。

📚 ドキュメント

制限事項とバイアス

潜在的なバイアスについては、元のernie-m論文とさまざまなNLIデータセットに関する文献を参照してください。

引用

このモデルを使用する場合は、以下を引用してください。 Laurer, Moritz, Wouter van Atteveldt, Andreu Salleras Casas, and Kasper Welbers. 2022. ‘Less Annotating, More Classifying – Addressing the Data Scarcity Issue of Supervised Machine Learning with Deep Transfer Learning and BERT - NLI’. Preprint, June. Open Science Framework. https://osf.io/74b8k.

協力のアイデアや質問

協力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でお問い合わせください。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。