Deberta V3 Xsmall Mnli Fever Anli Ling Binary

🚀 DeBERTa-v3-xsmall-mnli-fever-anli-ling-binary

このモデルは、ゼロショット分類に特化したモデルで、4つのNLIデータセットからの仮説と前提のペアを用いて学習されています。バイナリNLIで学習され、「entailment」または「not-entailment」を予測するように設計されています。

🚀 クイックスタート

モデルの使用方法

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

model_name = "MoritzLaurer/DeBERTa-v3-xsmall-mnli-fever-anli-ling-binary"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "I first thought that I liked the movie, but upon second thought it was actually disappointing."
hypothesis = "The movie was good."

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", "not_entailment"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

✨ 主な機能

• このモデルは、4つのNLIデータセット（MultiNLI、Fever-NLI、LingNLI、ANLI）の782,357の仮説と前提のペアを使用して学習されました。
• バイナリNLIで学習され、「entailment」または「not-entailment」を予測するように設計されており、ゼロショット分類に最適です。
• ベースモデルはMicrosoftのDeBERTa-v3-xsmallで、v3バリアントは異なる事前学習目的を含むことで、以前のバージョンを大幅に上回る性能を発揮します。

📦 インストール

このモデルはHugging Faceのライブラリを使用して簡単に利用できます。必要なライブラリをインストールすることで、上記のコード例のように使用できます。

🔧 技術詳細

学習データ

このモデルは、4つのNLIデータセット（MultiNLI、Fever-NLI、LingNLI、ANLI）の782,357の仮説と前提のペアを使用して学習されました。

学習手順

DeBERTa-v3-xsmall-mnli-fever-anli-ling-binaryは、Hugging Faceのトレーナーを使用して以下のハイパーパラメータで学習されました。

training_args = TrainingArguments(
    num_train_epochs=5,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=32,   # batch size per device during training
    per_device_eval_batch_size=32,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # strength of weight decay
    fp16=True                        # mixed precision training
)

評価結果

このモデルは、MultiNLI、ANLI、LingNLIのバイナリテストセットとFever-NLIのバイナリ開発セット（3クラスではなく2クラス）を使用して評価されました。使用された指標は正解率です。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。

📚 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DeBERTa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.

協力の提案や質問

協力の提案や質問がある場合は、m{dot}laurer{at}vu{dot}nlまたはLinkedInで連絡してください。

デバッグと問題点

DeBERTa-v3は2021年12月6日にリリースされ、古いバージョンのHF Transformersではモデルを実行する際に問題が発生する可能性があります（例えば、トークナイザーに関する問題が発生することがあります）。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。