/ Модель

Характеристики

Контекст
514 токенов
Параметры
95,4 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Опубликована
14 фев 2024

national-climate-targets

Классификация текстаТекст → label3 профессии

Модель Climate Policy Radar классифицирует национальные климатические цели в текстах как Net Zero, сокращение выбросов или другие.

91скачиваний за 30 дней7лайковвеса обновлены28 янв 2025

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

National Climate Targets Classifier — многометочная модель классификации текстов, разработанная командой Climate Policy Radar. Она основана на climatebert/distilroberta-base-climate-f и дообучена на наборе National Climate Targets с экспертной разметкой национальных законов, политик и материалов, поданных в РКИК ООН. Модель определяет, относится ли цель в тексте к категории Net Zero (NZT), сокращению выбросов (Reduction) или Other.

Это RoBERTa-классификатор с 95,4 млн параметров и контекстом до 514 токенов; принимает текст и возвращает метки классов. Поддерживаемый язык — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация климатических целей в национальных законах
  • поиск обязательств по достижению Net Zero в климатической политике
  • выявление целей по сокращению выбросов в документах
  • разметка климатических целей в материалах РКИК ООН

Ограничения

Модель обучена на экспертно размеченной выборке национальных законов, политик и материалов РКИК ООН; качество на других типах документов или языках не установлено. Контекст ограничен 514 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

National Climate Targets Classifier - Climate Policy Radar

A multi-label text-classifier trained on the National Climate Targets dataset by Climate Policy Radar.

Using the climatebert/distilroberta-base-climate-f model as a starting point, this classifier is trained on the ClimatePolicyRadar/national-climate-targets dataset to predict Net Zero ("NZT") , "Reduction" and "Other" targets in a multi-label setting. The training data is an expert annotated subset of national laws, policies and UNFCCC submissions.

For more information on the annotation methodology and classifier training see our paper.

Getting started

from transformers import AutoModelForSequenceClassification, AutoTokenizer


model_name = "ClimatePolicyRadar/national-climate-targets"
example = "The Net Zero Strategy, published in October 2021, was the first "\
    "document of its kind for a major economy. It set out the government’s "\
    "vision for a market-led, technology-driven transition to decarbonise "\
    "the UK economy and reach net zero by 2050."


model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# using sigmoid because the model is multi-label
pipe = pipeline("text-classification", model=model, tokenizer=tokenizer, function_to_apply="sigmoid")


pipe(example, padding=True, truncation=True, return_all_scores=True)

>>> [[{'label': 'NZT', 'score': 0.9142044186592102},
  {'label': 'Reduction', 'score': 0.04552844911813736},
  {'label': 'Other', 'score': 0.07590094953775406}]]

Licence

Our classifier is licensed as Apache 2.0.

Please read our Terms of Use, including any specific terms relevant to commercial use. Contact partners@climatepolicyradar.org with any questions.

## Links

## Citation

@misc{juhasz2024identifying,
      title={Identifying Climate Targets in National Laws and Policies using Machine Learning}, 
      author={Matyas Juhasz and Tina Marchand and Roshan Melwani and Kalyan Dutia and Sarah Goodenough and Harrison Pim and Henry Franks},
      year={2024},
      eprint={2404.02822},
      archivePrefix={arXiv},
      primaryClass={cs.CY}
}

## Authors & Contact Climate Policy Radar team: Matyas Juhasz, Tina Marchand, Roshan Melwani, Kalyan Dutia, Sarah Goodenough, Harrison Pim, and Henry Franks.

dsci@climatepolicyradar.org

https://climatepolicyradar.org

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
c920e28

0 моделей