Bert Base Arabic Camelbert Mix Did Madar Corpus26

🚀 CAMeLBERT-Mix DID Madar Corpus26 Model

CAMeLBERT-Mix DID Madar Corpus26 Model は、CAMeLBERT-Mix モデルをファインチューニングすることで構築された方言識別（DID）モデルです。 ファインチューニングには、26のラベルを含む MADAR Corpus 26 データセットを使用しました。 ファインチューニングの手順と使用したハイパーパラメータは、論文 "The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models" で確認できます。ファインチューニングのコードは こちら で見つけることができます。

🚀 クイックスタート

CAMeLBERT-Mix DID Madar Corpus26 モデルは、transformers パイプラインの一部として使用できます。このモデルは、近々 CAMeL Tools でも利用可能になります。

✨ 主な機能

このモデルは、アラビア語の方言識別タスクに特化しており、transformers パイプラインと組み合わせて簡単に使用できます。また、CAMeL Tools での利用も予定されています。

📦 インストール

モデルを使用するには、transformers>=3.5.0 が必要です。そうでない場合は、モデルを手動でダウンロードすることができます。

💻 使用例

基本的な使用法

モデルを transformers パイプラインで使用するには、次のようにします。

>>> from transformers import pipeline
>>> did = pipeline('text-classification', model='CAMeL-Lab/bert-base-arabic-camelbert-mix-did-madar26')
>>> sentences = ['عامل ايه ؟', 'شلونك ؟ شخبارك ؟']
>>> did(sentences)
[{'label': 'CAI', 'score': 0.8751305937767029},
 {'label': 'DOH', 'score': 0.9867215156555176}]

注意事項

⚠️ 重要提示

モデルをダウンロードするには、transformers>=3.5.0 が必要です。そうでない場合は、モデルを手動でダウンロードすることができます。

📚 ドキュメント

このモデルに関する詳細な情報は、論文 "The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models" で確認できます。また、ファインチューニングのコードは こちら で見つけることができます。

📄 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。

引用

@inproceedings{inoue-etal-2021-interplay,
    title = "The Interplay of Variant, Size, and Task Type in {A}rabic Pre-trained Language Models",
    author = "Inoue, Go  and
      Alhafni, Bashar  and
      Baimukan, Nurpeiis  and
      Bouamor, Houda  and
      Habash, Nizar",
    booktitle = "Proceedings of the Sixth Arabic Natural Language Processing Workshop",
    month = apr,
    year = "2021",
    address = "Kyiv, Ukraine (Online)",
    publisher = "Association for Computational Linguistics",
    abstract = "In this paper, we explore the effects of language variants, data sizes, and fine-tuning task types in Arabic pre-trained language models. To do so, we build three pre-trained language models across three variants of Arabic: Modern Standard Arabic (MSA), dialectal Arabic, and classical Arabic, in addition to a fourth language model which is pre-trained on a mix of the three. We also examine the importance of pre-training data size by building additional models that are pre-trained on a scaled-down set of the MSA variant. We compare our different models to each other, as well as to eight publicly available models by fine-tuning them on five NLP tasks spanning 12 datasets. Our results suggest that the variant proximity of pre-training data to fine-tuning data is more important than the pre-training data size. We exploit this insight in defining an optimized system selection model for the studied tasks.",
}