Covid Twitter Bert V2 Mnli

🚀 COVID-Twitter-BERT v2 MNLI

このモデルは、ラベル付きデータが不足しているため、特定のタスクでCT - BERTをファインチューニングできない場合に使用するゼロショット分類器を提供します。

🚀 クイックスタート

このモデルは、特定のタスクでCT - BERTをファインチューニングできない場合に役立つゼロショット分類器です。以下に使い方の基本的な流れを説明します。

✨ 主な機能

• ラベル付きデータが不足している場合でも、ゼロショットでのテキスト分類が可能です。
• MNLIモデルを利用した巧妙な分類手法を採用しています。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="digitalepidemiologylab/covid-twitter-bert-v2-mnli")

高度な使用法

sequence_to_classify = 'To stop the pandemic it is important that everyone turns up for their shots.'
candidate_labels = ['health', 'sport', 'vaccine', 'guns']
hypothesis_template = 'This example is {}.'
classifier(sequence_to_classify, candidate_labels, hypothesis_template=hypothesis_template, multi_class=True)

📚 ドキュメント

モデルの説明

このモデルは、特定のタスクでCT - BERTをファインチューニングできない場合に使用するゼロショット分類器を提供します。この手法はYin et al.に基づいており、事前学習されたMNLIモデルをゼロショットシーケンス分類器として使用する非常に賢い方法を記述しています。このモデルはすでに40万の一般的な論理タスクでファインチューニングされています。分類タスクを質問として再定式化することで、ゼロショット分類器として使用できます。

例えば、COVID関連のツイートをワクチン関連と非ワクチン関連に分類したい場合、通常は数百の事前アノテーション付きのツイートを収集し、2つのクラスに分けてモデルをファインチューニングします。しかし、ゼロショットMNLI分類器を使用すると、質問を「このテキストはワクチンに関するものです」と再定式化し、トレーニングなしで直接推論に使用できます。

モデルに関する詳細な情報は、GitHubページを参照してください。

使用上の注意

質問の定式化方法によって、わずかに異なる結果が得られる場合があります。トレーニングセットを収集してファインチューニングすることで、より高い精度が得られる可能性があります。

🔧 技術詳細

このモデルは、40万件の大規模なMNLIタスクでファインチューニングされています。

📄 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。

参考文献

@article{muller2020covid,
  title={COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter},
  author={M{\"u}ller, Martin and Salath{\'e}, Marcel and Kummervold, Per E},
  journal={arXiv preprint arXiv:2005.07503},
  year={2020}
}

または

Martin Müller, Marcel Salathé, and Per E. Kummervold.
COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter.
arXiv preprint arXiv:2005.07503 (2020).

情報テーブル

重要提示

⚠️ 重要提示

質問の定式化方法によって、わずかに異なる結果が得られる場合があります。トレーニングセットを収集してファインチューニングすることで、より高い精度が得られる可能性があります。

使用建议

💡 使用アドバイス

このモデルを使用する際には、質問の定式化に注意してください。また、可能であればトレーニングセットを収集してファインチューニングすることをおすすめします。