/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense

legal-roberta-base

Заполнение пропусковТекст → текст3 профессии

LEGAL-ROBERTA — англоязычная RoBERTa для предсказания пропущенных токенов в юридических текстах.

337скачиваний за 30 дней6лайковвеса обновлены31 авг 2021

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

LEGAL-ROBERTA — языковая модель семейства RoBERTa для юридических текстов, разработанная Saibo-creator и дообученная на корпусах объёмом около 4,6 ГБ. В обучающие данные вошли материалы о патентных спорах, судебные решения США и общедоступные патентные данные Google. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch, TensorFlow и Flax под лицензией Apache-2.0.

Основная задача модели — предсказывать пропущенные токены в юридическом тексте. Это может помочь при анализе формулировок договоров, судебных решений и патентных документов; карточка также приводит результаты оценки на классификации юридических текстов и поиске ключевых фраз, но основное назначение репозитория — заполнение пропусков. Модель обучалась преимущественно на англоязычных юридических материалах.

В README автор отмечает, что модель недообучена из-за ограниченного объёма доступных юридических корпусов и небольшого числа шагов предобучения. В демонстрации заполнения пропусков токенизатор показывает префикс Ġ у токенов, что может осложнять чтение вывода.

Сценарии применения

  • подстановка пропущенных слов в тексте договора
  • предсказание терминов в судебных решениях
  • восстановление пропусков в патентных документах

Ограничения

Автор характеризует модель как недообученную из-за ограниченного корпуса и небольшого числа шагов предобучения. В демонстрационном выводе токенизатора перед токенами виден префикс Ġ.

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

LEGAL-ROBERTA

We introduce LEGAL-ROBERTA, which is a domain-specific language representation model fine-tuned on large-scale legal corpora(4.6 GB).

Demo

'This <mask> Agreement is between General Motors and John Murray .'

Modeltop1top2top3top4top5
Bertnewcurrentproposedmarketingjoint
legalBertsettlementletterdealermastersupplemental
legalRobertaLicenseSettlementContractlicenseTrust

LegalRoberta captures the case

'The applicant submitted that her husband was subjected to treatment amounting to <mask> whilst in the custody of Adana Security Directorate'

Modeltop1top2top3top4top5
Berttorturerapeabusedeathviolence
legalBerttorturedetentionarrestrapedeath
legalRobertatortureabuseinsanitycrueltyconfinement

'Establishing a system for the identification and registration of <mask> animals and regarding the labeling of beef and beef products .':

Modeltop1top2top3top4top5
Bertfarmlivestockdraftdomesticwild
legalBertlivebeeffarmpetdairy
legalRobertadomesticallbeefwildregistered

Load Pretrained Model

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("saibo/legal-roberta-base")
model = AutoModel.from_pretrained("saibo/legal-roberta-base")

Training data

The training data consists of 3 origins:

  1. Patent Litigations (https://www.kaggle.com/uspto/patent-litigations): This dataset covers over 74k cases across 52 years and over 5 million relevant documents. 5 different files detail the litigating parties, their attorneys, results, locations, and dates.

    1. 1.57GB
    2. abbrev:PL
    3. clean 1.1GB
  2. Caselaw Access Project (CAP) (https://case.law/): Following 360 years of United States case law, Caselaw Access Project (CAP) API and bulk data services includes 40 million pages of U.S. court decisions and almost 6.5 million individual cases.

    1. raw 5.6
    2. abbrev:CAP
    3. clean 2.8GB
  3. Google Patents Public Data (https://www.kaggle.com/bigquery/patents): The Google Patents Public Data contains a collection of publicly accessible, connected database tables for empirical analysis of the international patent system.

    1. BigQuery (https://www.kaggle.com/sohier/beyond-queries-exploring-the-bigquery-api)
    2. abbrev:GPPD(1.1GB,patents-public-data.uspto_oce_litigation.documents)
    3. clean 1GB

Training procedure

We start from a pretrained ROBERTA-BASE model and fine-tune it on the legal corpus.

Fine-tuning configuration:

  • lr = 5e-5(with lr decay, ends at 4.95e-8)
  • num_epoch = 3
  • Total steps = 446500
  • Total_flos = 2.7365e18

Loss starts at 1.850 and ends at 0.880 The perplexity after fine-tuning on legal corpus = 2.2735

Device: 2*GeForce GTX TITAN X computeCapability: 5.2

Eval results

We benchmarked the model on two downstream tasks: Multi-Label Classification for Legal Text and Catchphrase Retrieval with Legal Case Description.

1.LMTC, Legal Multi-Label Text Classification

Dataset:

Labels shape: 4271 Frequent labels: 739 Few labels: 3369 Zero labels: 163

Hyperparameters:

  • lr: 1e-05
  • batch_size: 4
  • max_sequence_size: 512
  • max_label_size: 15
  • few_threshold: 50
  • epochs: 10
  • dropout:0.1
  • early stop:yes
  • patience: 3

Limitations:

In the Masked Language Model showroom, the tokens have the prefix Ġ. This seems to be wired but I haven't yet been able to fix it. I know in the case of BPE tokenizer(ROBERTA's tokenizer), the symbol Ġ means the end of a new token, and the majority of tokens in the vocabs of pre-trained tokenizers start with Ġ.

For example

import transformers
tokenizer = transformers.RobertaTokenizer.from_pretrained('roberta-base')
print(tokenizer.tokenize('I love salad'))

Outputs:

['I', 'Ġlove', 'Ġsalad']

The pretraining of LegalRoBERTa was restricted by the size of legal corpora available and the number of pretraining steps is small compared to the popular domain adapted models. This makes legalRoBERTa significantly under-trained.

BibTeX entry and citation info

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
e0d78f4

0 моделей