Moritzlaurer Mdeberta V3 Base Mnli Xnli

🚀 マルチリンガルmDeBERTa-v3-base-mnli-xnli

このマルチリンガルモデルは、100言語で自然言語推論（NLI）を実行でき、マルチリンガルのゼロショット分類にも適しています。ベースとなるモデルは、MicrosoftによってCC100マルチリンガルデータセットで事前学習されました。その後、15言語の仮説 - 前提ペアを含むXNLIデータセットと英語のMNLIデータセットでファインチューニングされました。2021年12月現在、mDeBERTa-baseは、Microsoftによってthis paperで導入された、最も性能の高いマルチリンガルベースサイズのトランスフォーマーモデルです。

もし、より小さく、高速（ただし性能は低い）なモデルを探している場合は、multilingual-MiniLMv2-L6-mnli-xnliを試してみることができます。

🚀 クイックスタート

✨ 主な機能

• 100言語での自然言語推論（NLI）が可能。
• マルチリンガルのゼロショット分類に適している。
• 事前学習モデルはMicrosoftによるCC100マルチリンガルデータセットで学習。
• XNLIデータセットとMNLIデータセットでファインチューニング。

📦 インストール

このドキュメントには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

シンプルなゼロショット分類パイプライン

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/mDeBERTa-v3-base-mnli-xnli")

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

NLIの使用例

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

model_name = "MoritzLaurer/mDeBERTa-v3-base-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

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

📚 ドキュメント

モデルの説明

このマルチリンガルモデルは、100言語で自然言語推論（NLI）を実行でき、マルチリンガルのゼロショット分類にも適しています。ベースとなるモデルは、MicrosoftによってCC100マルチリンガルデータセットで事前学習されました。その後、15言語の仮説 - 前提ペアを含むXNLIデータセットと英語のMNLIデータセットでファインチューニングされました。2021年12月現在、mDeBERTa-baseは、Microsoftによってthis paperで導入された、最も性能の高いマルチリンガルベースサイズのトランスフォーマーモデルです。

もし、より小さく、高速（ただし性能は低い）なモデルを探している場合は、multilingual-MiniLMv2-L6-mnli-xnliを試してみることができます。

トレーニングデータ

このモデルは、XNLI開発データセットとMNLIトレーニングデータセットでトレーニングされました。XNLI開発セットは、英語から14の他の言語に専門家によって翻訳された2490のテキストで構成されています（合計37350のテキスト）（この論文を参照）。XNLIには、15言語のMNLIデータセットの15の機械翻訳バージョンのトレーニングセットが含まれていますが、これらの機械翻訳の品質問題のため、このモデルはXNLI開発セットの専門家による翻訳と元の英語のMNLIトレーニングセット（392702のテキスト）でのみトレーニングされました。機械翻訳されたテキストを使用しないことで、モデルが15の言語に過学習するのを避けることができます。また、mDeBERTaが事前学習された他の85の言語の性能を維持し、トレーニングコストを大幅に削減することができます。

トレーニング手順

mDeBERTa-v3-base-mnli-xnli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トレーニングされました。

training_args = TrainingArguments(
    num_train_epochs=2,              # total number of training epochs
    learning_rate=2e-05,
    per_device_train_batch_size=16,   # batch size per device during training
    per_device_eval_batch_size=16,    # batch size for evaluation
    warmup_ratio=0.1,                # number of warmup steps for learning rate scheduler
    weight_decay=0.06,               # strength of weight decay
)

評価結果

このモデルは、15の言語のXNLIテストセットで評価されました（言語ごとに5010のテキスト、合計75150）。マルチリンガルNLIモデルは、特定の言語のNLIトレーニングデータを受け取らずにNLIテキストを分類することができます（クロスリンガル転移）。これは、モデルがmDeBERTaがトレーニングされた他の85の言語でもNLIを行うことができることを意味しますが、XNLIで利用可能な言語よりも性能が低い可能性が高いです。

また、モデルハブ上の他のマルチリンガルモデルが英語以外の言語で約90％の性能を主張している場合、最新の論文のどれもXNLIで80％を数ポイント上回るマルチリンガル平均性能を示していないため、著者はおそらくテスト中に間違いを犯しています（ここまたはここを参照）。

🔧 技術詳細

このセクションには、具体的な技術詳細が十分に記載されていないため、スキップします。

📄 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。

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-V3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.

協力のアイデアや質問は？

協力に関する質問やアイデアがある場合は、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年末にリリースされました。古いバージョンのHF Transformersでは、この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以上を使用すると、一部の問題が解決する可能性があります。また、mDeBERTaは現在FP16をサポートしていません。詳細はこちらを参照してください。