Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: roberta · dense
Опубликована: 11 апр 2022

Ссылки

Hugging Face

twitter-roberta-base-efl-hateval

ChrisZeng

Классификация текстаТекст → label3 профессии

Дообученная RoBERTa для классификации твитов и выявления ненавистнических высказываний.

26скачиваний за 30 дней0лайковвеса обновлены11 апр 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ChrisZeng/twitter-roberta-base-efl-hateval — модель классификации текстов на базе RoBERTa, дообученная на наборе HatEval от модели cardiffnlp/twitter-roberta-base-2021-124m. Она предназначена для выявления ненавистнических высказываний в текстах из Twitter. В карточке указаны результаты на оценочной выборке HatEval: accuracy 0,7913, F1 0,7899 и loss 0,3683.

Модель содержит 151,8 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Данных о лицензии и поддерживаемых языках в предоставленной карточке нет. Показатели на HatEval не гарантируют такую же точность на других платформах, языках или типах текста.

Сценарии применения

Выявление ненавистнических высказываний в твитах
Модерация сообщений в социальных сетях
Разметка текстов для анализа hate speech

Ограничения

В карточке приведены метрики только на оценочной выборке HatEval; качество на других данных может отличаться. Языковая поддержка и лицензия по предоставленным сведениям не определяются.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

twitter-roberta-base-efl-hateval

This model is a fine-tuned version of cardiffnlp/twitter-roberta-base-2021-124m on the HatEval dataset. It achieves the following results on the evaluation set:

Accuracy: 0.7913
F1: 0.7899
Loss: 0.3683

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-06
train_batch_size: 32
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 128
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 30

Training results

Training Loss	Epoch	Step	Accuracy	F1	Validation Loss
0.5392	1.0	211	0.7	0.6999	0.4048
0.3725	2.0	422	0.759	0.7584	0.3489
0.3158	3.0	633	0.7613	0.7570	0.3287
0.289	4.0	844	0.769	0.7684	0.3307
0.2716	5.0	1055	0.7767	0.7750	0.3241
0.2575	6.0	1266	0.7787	0.7782	0.3272
0.2441	7.0	1477	0.7783	0.7776	0.3258
0.2363	8.0	1688	0.7777	0.7773	0.3316
0.2262	9.0	1899	0.7843	0.7815	0.3150
0.2191	10.0	2110	0.7813	0.7802	0.3241
0.2112	11.0	2321	0.7867	0.7860	0.3276
0.2047	12.0	2532	0.7897	0.7886	0.3266
0.1973	13.0	2743	0.7893	0.7884	0.3299
0.1897	14.0	2954	0.792	0.7907	0.3301
0.1862	15.0	3165	0.794	0.7925	0.3283
0.1802	16.0	3376	0.7907	0.7903	0.3465
0.1764	17.0	3587	0.7937	0.7922	0.3393
0.1693	18.0	3798	0.7903	0.7893	0.3494
0.1666	19.0	4009	0.7943	0.7930	0.3486
0.1631	20.0	4220	0.7927	0.7917	0.3516
0.1609	21.0	4431	0.7907	0.7893	0.3537
0.1581	22.0	4642	0.7913	0.7902	0.3586
0.1548	23.0	4853	0.789	0.7884	0.3698
0.1535	24.0	5064	0.7893	0.7880	0.3622
0.1522	25.0	5275	0.7923	0.7909	0.3625
0.15	26.0	5486	0.7913	0.7899	0.3632
0.1479	27.0	5697	0.792	0.7909	0.3677
0.1441	28.0	5908	0.792	0.7909	0.3715
0.145	29.0	6119	0.792	0.7906	0.3681
0.1432	30.0	6330	0.7913	0.7899	0.3683

Framework versions

Transformers 4.17.0
Pytorch 1.11.0+cu113
Datasets 2.0.0
Tokenizers 0.11.6

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: RobertaForSequenceClassification
Ревизия весов: ec979b7