Roberta Base Frenk Hate

🚀 roberta-base-frenk-hate

このモデルは、roberta-base をベースに、LGBTや移民に対する嫌がらせ発言を含む FRENKデータセット でファインチューニングされたテキスト分類モデルです。ファインチューニングにはデータの英語部分のみが使用され、データセットは二値分類（攻撃的または許容可能）のために再ラベル付けされています。

🚀 クイックスタート

このモデルは、特定のデータセットでファインチューニングされたテキスト分類モデルです。以下のセクションでは、ファインチューニングのハイパーパラメータ、パフォーマンス、使用例などについて説明します。

✨ 主な機能

• 特定のデータセットでファインチューニングされたテキスト分類モデルです。
• 二値分類（攻撃的または許容可能）に最適化されています。

🔧 技術詳細

ファインチューニングのハイパーパラメータ

ファインチューニングは simpletransformers を使用して行われました。事前に簡単なハイパーパラメータ最適化が行われ、推定された最適なハイパーパラメータは以下の通りです。

model_args = {
        "num_train_epochs": 6,
        "learning_rate": 3e-6,
        "train_batch_size": 69}

パフォーマンス

同じパイプラインを他の2つのトランスフォーマーモデルと fasttext で実行し、比較のために精度とマクロF1スコアを記録しました。6回のファインチューニングセッションのそれぞれについて記録され、事後に分析されました。

記録された精度とマクロF1スコアから、p値も計算されました。

xlm-roberta-base との比較:

xlm-roberta-large との比較では、結論的な結果は得られませんでした。roberta-base の平均精度は0.7915で、xlm-roberta-large の平均精度は0.7904です。マクロF1スコアを比較すると、roberta-base の方が xlm-roberta-large よりも平均値が低くなります。それぞれ0.77852対0.77876です。同じ統計テストが、roberta-base の方が指標が高いという前提で行われ、結果は以下の通りです。

前提を逆にすると（つまり、xlm-roberta-large の方が統計値が高いという前提）、この場合のマクロF1スコアのWilcoxonのp値は0.656、Mann-Whitheyのp値は0.399になり、もちろんStudentのp値は同じままです。したがって、2つのモデルのパフォーマンスには統計的に有意な差がないと結論付けられました。

💻 使用例

基本的な使用法

from simpletransformers.classification import ClassificationModel
model_args = {
        "num_train_epochs": 6,
        "learning_rate": 3e-6,
        "train_batch_size": 69}

model = ClassificationModel(
    "roberta", "5roop/roberta-base-frenk-hate", use_cuda=True,
    args=model_args
    
)

predictions, logit_output = model.predict(["Build the wall", 
                                        "Build the wall of trust"]
                                        )
predictions
### Output:
### array([1, 0])

📄 ライセンス

このプロジェクトは、CC BY-SA 4.0ライセンスの下で公開されています。

📚 詳細ドキュメント

引用

このモデルを使用する場合は、元のモデルが基づいている以下の論文と、ファインチューニングに使用されたデータセットを引用してください。

@article{DBLP:journals/corr/abs-1907-11692,
  author    = {Yinhan Liu and
               Myle Ott and
               Naman Goyal and
               Jingfei Du and
               Mandar Joshi and
               Danqi Chen and
               Omer Levy and
               Mike Lewis and
               Luke Zettlemoyer and
               Veselin Stoyanov},
  title     = {RoBERTa: {A} Robustly Optimized {BERT} Pretraining Approach},
  journal   = {CoRR},
  volume    = {abs/1907.11692},
  year      = {2019},
  url       = {http://arxiv.org/abs/1907.11692},
  archivePrefix = {arXiv},
  eprint    = {1907.11692},
  timestamp = {Thu, 01 Aug 2019 08:59:33 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1907-11692.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

@misc{ljubešić2019frenk,
      title={The FRENK Datasets of Socially Unacceptable Discourse in Slovene and English}, 
      author={Nikola Ljubešić and Darja Fišer and Tomaž Erjavec},
      year={2019},
      eprint={1906.02045},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/1906.02045}
}