Hypencoder.2 Layer

🚀 Hypencoderモデル

このモデルは、情報検索のためのハイパーネットワークであるHypencoderに関する公式モデルです。論文で提案された手法を実装し、特徴抽出に利用できます。

🚀 クイックスタート

事前学習済みのHypencodersを単独モデルとして使用する

from hypencoder_cb.modeling.hypencoder import Hypencoder, HypencoderDualEncoder, TextEncoder
from transformers import AutoTokenizer

dual_encoder = HypencoderDualEncoder.from_pretrained("jfkback/hypencoder.6_layer")
tokenizer = AutoTokenizer.from_pretrained("jfkback/hypencoder.6_layer")

query_encoder: Hypencoder = dual_encoder.query_encoder
passage_encoder: TextEncoder = dual_encoder.passage_encoder

queries = [
    "how many states are there in india",
    "when do concussion symptoms appear",
]

passages = [
    "India has 28 states and 8 union territories.",
    "Concussion symptoms can appear immediately or up to 72 hours after the injury.",
]

query_inputs = tokenizer(queries, return_tensors="pt", padding=True, truncation=True)
passage_inputs = tokenizer(passages, return_tensors="pt", padding=True, truncation=True)

q_nets = query_encoder(input_ids=query_inputs["input_ids"], attention_mask=query_inputs["attention_mask"]).representation
passage_embeddings = passage_encoder(input_ids=passage_inputs["input_ids"], attention_mask=passage_inputs["attention_mask"]).representation

# The passage_embeddings has shape (2, 768), but the q_nets expect the shape
# (num_queries, num_items_per_query, input_hidden_size) so we need to reshape
# the passage_embeddings.

# In the simple case where each q_net only takes one passage, we can just
# reshape the passage_embeddings to (num_queries, 1, input_hidden_size).
passage_embeddings_single = passage_embeddings.unsqueeze(1)
scores = q_nets(passage_embeddings_single)  # Shape (2, 1, 1)
# [
#    [[-12.1192]],
#    [[-13.5832]]
# ]

# In the case where each q_net takes both passages we can reshape the
# passage_embeddings to (num_queries, 2, input_hidden_size).
passage_embeddings_double = passage_embeddings.repeat(2, 1).reshape(2, 2, -1)
scores = q_nets(passage_embeddings_double)  # Shape (2, 2, 1)
# [
#    [[-12.1192], [-32.7046]],
#    [[-34.0934], [-13.5832]]
# ]

✨ 主な機能

このモデルはHypencoder Dual Encoderで、テキストエンコーダとHypencoderの2つの部分を含んでいます。テキストエンコーダはアイテムを768次元のベクトルに変換し、Hypencoderはテキストを小さなニューラルネットワークに変換します。この小さなネットワークは、テキストエンコーダからの768次元ベクトルを入力として受け取り、関連性スコアを出力します。

モデルのバリエーション

論文で使用された4つのモデルを公開しています。各モデルは、小さなニューラルネットワーク（q-nets）の隠れ層の数が異なる以外は同じです。

📚 ドキュメント

このモデルを使用するには、必要なコードとモデルの実行方法に関する詳細が記載されたGithubページを参照してください。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で公開されています。

🔖 引用

BibTeX:

@misc{killingback2025hypencoderhypernetworksinformationretrieval,
      title={Hypencoder: Hypernetworks for Information Retrieval}, 
      author={Julian Killingback and Hansi Zeng and Hamed Zamani},
      year={2025},
      eprint={2502.05364},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2502.05364}, 
}

📋 モデル情報