Multilingual MiniLMv2 L12 Mnli Xnli

🚀 多語言MiniLMv2-L12-mnli-xnli

本多語言模型可對100多種語言進行自然語言推理（NLI），因此也適用於多語言零樣本分類。它能有效解決不同語言文本分類數據稀缺的問題，為多語言處理提供高效的解決方案。

🚀 快速開始

本多語言模型可對100多種語言進行自然語言推理（NLI），因此也適用於多語言零樣本分類。

✨ 主要特性

• 多語言支持：能夠在100 + 種語言上執行自然語言推理（NLI），適用於多語言零樣本分類。
• 模型蒸餾優勢：相較於XLM - RoBERTa - large，蒸餾後的模型體積更小，推理速度更快，內存需求更低。
• 訓練數據優質：使用XNLI開發集的專業翻譯文本和原始英文MNLI訓練集進行訓練，避免了機器翻譯質量問題，降低過擬合風險，減少訓練成本。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/multilingual-MiniLMv2-L12-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)

高級用法

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

model_name = "MoritzLaurer/multilingual-MiniLMv2-L12-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)

📚 詳細文檔

訓練數據

該模型在XNLI開發數據集和MNLI訓練數據集上進行訓練。XNLI開發集包含2490條從英語專業翻譯為其他14種語言的文本（總共37350條文本）（詳見此論文）。需要注意的是，XNLI包含15種語言的MNLI數據集的15個機器翻譯版本的訓練集，但由於這些機器翻譯存在質量問題，該模型僅在XNLI開發集的專業翻譯文本和原始英文MNLI訓練集（392702條文本）上進行訓練。不使用機器翻譯文本可以避免模型對15種語言過擬合，避免對預訓練的其他語言產生災難性遺忘，並顯著降低訓練成本。

訓練過程

該模型使用Hugging Face訓練器進行訓練，採用以下超參數。確切的基礎模型是mMiniLMv2 - L12 - H384 - distilled - from - XLMR - Large。

training_args = TrainingArguments(
    num_train_epochs=3,              # total number of training epochs
    learning_rate=4e-05,
    per_device_train_batch_size=64,   # batch size per device during training
    per_device_eval_batch_size=120,    # batch size for evaluation
    warmup_ratio=0.06,                # number of warmup steps for learning rate scheduler
    weight_decay=0.01,               # strength of weight decay
)

評估結果

該模型在XNLI測試集的15種語言上進行評估（每種語言5010條文本，總共75150條）。需要注意的是，多語言NLI模型能夠在不接收特定語言的NLI訓練數據的情況下對NLI文本進行分類（跨語言遷移）。這意味著該模型也能夠對其訓練過的其他語言進行NLI，但性能可能低於XNLI中可用的語言。

論文中報告的multilingual - MiniLM - L12的平均XNLI性能為0.711（見表11）。此重新實現的平均性能為0.75。性能的提升可能得益於在訓練數據中加入了MNLI，並且該模型是從XLM - RoBERTa - large而不是 - base（multilingual - MiniLM - L12 - v2）蒸餾而來。

🔧 技術細節

本模型基於微軟創建的multilingual - MiniLM - L12模型，該模型是從XLM - RoBERTa - large蒸餾而來。通過在XNLI開發集和MNLI訓練集上進行微調，使其具備多語言自然語言推理和零樣本分類的能力。蒸餾模型雖然在性能上較原模型有所損失，但在速度和內存使用上有顯著優勢。

📄 許可證

本項目採用MIT許可證。

⚠️ 重要提示

請查閱關於不同NLI數據集的原始論文和文獻，以瞭解潛在的偏差。

💡 使用建議

• 若追求最高推理速度，建議使用6層模型。
• 若追求更高性能，截至2023年2月14日，建議使用mDeBERTa - v3 - base - mnli - xnli。

📖 引用

如果您使用此模型，請引用：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.

💬 合作建議或疑問

如果您有任何問題或合作想法，請通過m{dot}laurer{at}vu{dot}nl聯繫我，或在領英上與我交流。