Maltberta

🚀 MaltBERTa - 馬耳他語預訓練語言模型

MaltBERTa 是一個基於馬耳他語文本訓練的大型預訓練語言模型。它使用 RoBERTa 架構從頭開始訓練，是 MaCoCu 項目的一部分。主要開發者是來自格羅寧根大學的 Rik van Noord。該模型在 32 億字節（相當於 4.39 億個標記）的文本上進行了訓練，訓練步數為 100,000，批次大小為 1,024。

✨ 主要特性

• 基於 RoBERTa 架構從頭開始訓練，專為馬耳他語設計。
• 在多個基準測試中表現出色，可與其他多語言模型相媲美。

📦 安裝指南

本模型的使用依賴於 transformers 庫，你可以使用以下命令進行安裝：

pip install transformers

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModel, TFAutoModel

tokenizer = AutoTokenizer.from_pretrained("RVN/MaltBERTa")
model = AutoModel.from_pretrained("RVN/MaltBERTa") # PyTorch
model = TFAutoModel.from_pretrained("RVN/MaltBERTa") # Tensorflow

📚 詳細文檔

模型描述

MaltBERTa 是一個在馬耳他語文本上訓練的大型預訓練語言模型。它使用 RoBERTa 架構從頭開始訓練，是 MaCoCu 項目的一部分。主要開發者是來自格羅寧根大學的 Rik van Noord。該模型在 3.2GB 的文本上進行了訓練，相當於 439M 個標記。訓練步數為 100,000，批次大小為 1,024。訓練和微調過程的詳細信息可在我們的 Github 倉庫 中找到。

數據

在訓練過程中，我們使用了 MaCoCu、Oscar 和 mc4 語料庫中的所有馬耳他語數據。經過去重處理後，我們得到了總共 3.2GB 的文本。我們進行了僅使用來自 Oscar 和 mc4 中 .mt 域名數據的實驗，但發現結合所有數據能獲得更好的性能。

基準測試性能

我們在 Universal Dependencies 項目的 UPOS 和 XPOS 基準測試中測試了 MaltBERTa 的性能。此外，我們還在 Google 翻譯版本的 COPA 數據集上進行了測試（詳情請參閱我們的 Github 倉庫）。我們將其性能與強大的多語言模型 XLMR-base 和 XLMR-large 進行了比較，需要注意的是，馬耳他語並非這些模型的訓練語言之一。我們還與最近推出的馬耳他語模型 BERTu、mBERTu 和我們自己的 MaltBERTa 進行了比較。有關微調過程的詳細信息，請查看我們的 Github。

🔧 技術細節

MaltBERTa 使用 RoBERTa 架構進行訓練，訓練數據來自多個語料庫。訓練過程中，模型在 3.2GB 的文本上進行了 100,000 步的訓練，批次大小為 1,024。詳細的訓練和微調過程可在我們的 Github 倉庫 中找到。

📄 許可證

本項目採用 CC0-1.0 許可證。

📖 致謝

本研究得到了 Google 的 TPU 研究雲（TRC）的 Cloud TPU 支持。作者們獲得了歐盟連接歐洲設施 2014 - 2020 - CEF 電信的資助，資助協議編號為 INEA/CEF/ICT/A2020/2278341（MaCoCu）。

📜 引用

如果您使用此模型，請引用以下論文：

@inproceedings{non-etal-2022-macocu,
    title = "{M}a{C}o{C}u: Massive collection and curation of monolingual and bilingual data: focus on under-resourced languages",
    author = "Ba{\~n}{\'o}n, Marta  and
      Espl{\`a}-Gomis, Miquel  and
      Forcada, Mikel L.  and
      Garc{\'\i}a-Romero, Cristian  and
      Kuzman, Taja  and
      Ljube{\v{s}}i{\'c}, Nikola  and
      van Noord, Rik  and
      Sempere, Leopoldo Pla  and
      Ram{\'\i}rez-S{\'a}nchez, Gema  and
      Rupnik, Peter  and
      Suchomel, V{\'\i}t  and
      Toral, Antonio  and
      van der Werff, Tobias  and
      Zaragoza, Jaume",
    booktitle = "Proceedings of the 23rd Annual Conference of the European Association for Machine Translation",
    month = jun,
    year = "2022",
    address = "Ghent, Belgium",
    publisher = "European Association for Machine Translation",
    url = "https://aclanthology.org/2022.eamt-1.41",
    pages = "303--304"
}