/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
bert · dense
Опубликована
11 ноя 2022

jmedroberta-base-sentencepiece

Заполнение пропусковТекст → текст3 профессии

Японская медицинская RoBERTa-модель для восстановления замаскированных слов в научных текстах.

138скачиваний за 30 дней4лайкавеса обновлены21 мар 2023

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

alabnii/jmedroberta-base-sentencepiece — японская базовая модель RoBERTa, разработанная и предварительно обученная на академических статьях по медицинским наукам, собранных Японским агентством науки и технологий (JST). Она предназначена для заполнения пропусков в тексте и других сценариев с masked language modeling. Модель содержит 136,3 млн параметров, использует SentencePiece Unigram с словарём из 30 000 токенов и принимает последовательности длиной до 512 токенов. Для обработки входной текст необходимо заранее преобразовать в полноширинные символы.

Обучение проводилось на аннотациях и полных текстах научных публикаций. Архитектура реализована классом BertForMaskedLM; авторы называют её RoBERTa из-за обучения с максимальной длиной 512 токенов, без цели NSP и с динамическим маскированием. Модель рассчитана на японский язык и медицинскую научную литературу. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях некоммерческого распространения и сохранения той же лицензии.

Сценарии применения

  • восстановление пропущенных слов в японских медицинских статьях
  • подстановка вероятных терминов в замаскированные медицинские фрагменты
  • анализ контекста японской научной медицинской литературы с помощью masked language modeling

Ограничения

Перед подачей текста его необходимо преобразовать в полноширинные символы; контекст ограничен 512 токенами. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует распространять производные материалы на тех же условиях.

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

alabnii/jmedroberta-base-sentencepiece

Model description

This is a Japanese RoBERTa base model pre-trained on academic articles in medical sciences collected by Japan Science and Technology Agency (JST).

This model is released under the Creative Commons 4.0 International License (CC BY-NC-SA 4.0).

Reference

Ja:

@InProceedings{sugimoto_nlp2023_jmedroberta,
    author =    "杉本海人 and 壹岐太一 and 知田悠生 and 金沢輝一 and 相澤彰子",
    title =     "J{M}ed{R}o{BERT}a: 日本語の医学論文にもとづいた事前学習済み言語モデルの構築と評価",
    booktitle = "言語処理学会第29回年次大会",
    year =      "2023",
    url =       "https://www.anlp.jp/proceedings/annual_meeting/2023/pdf_dir/P3-1.pdf"
}

En:

@InProceedings{sugimoto_nlp2023_jmedroberta,
    author =    "Sugimoto, Kaito and Iki, Taichi and Chida, Yuki and Kanazawa, Teruhito and Aizawa, Akiko",
    title =     "J{M}ed{R}o{BERT}a: a Japanese Pre-trained Language Model on Academic Articles in Medical Sciences (in Japanese)",
    booktitle = "Proceedings of the 29th Annual Meeting of the Association for Natural Language Processing",
    year =      "2023",
    url =       "https://www.anlp.jp/proceedings/annual_meeting/2023/pdf_dir/P3-1.pdf"
}

Datasets used for pre-training

  • abstracts (train: 1.6GB (10M sentences), validation: 0.2GB (1.3M sentences))
  • abstracts & body texts (train: 0.2GB (1.4M sentences))

How to use

Input text must be converted to full-width characters(全角)in advance.

You can use this model for masked language modeling as follows:

from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained("alabnii/jmedroberta-base-sentencepiece")
model.eval()
tokenizer = AutoTokenizer.from_pretrained("alabnii/jmedroberta-base-sentencepiece")

texts = ['この患者は[MASK]と診断された。']
inputs = tokenizer.batch_encode_plus(texts, return_tensors='pt')
outputs = model(**inputs)
tokenizer.convert_ids_to_tokens(outputs.logits[0][1:-1].argmax(axis=-1))
# ['▁この', '患者は', 'AML', '▁', 'と診断された', '。']

Alternatively, you can employ Fill-mask pipeline.

from transformers import pipeline
fill = pipeline("fill-mask", model="alabnii/jmedroberta-base-sentencepiece", top_k=10)
fill("この患者は[MASK]と診断された。")
#[{'score': 0.04239409416913986,
#  'token': 7698,
#  'token_str': 'AML',
#  'sequence': 'この患者はAML と診断された。'},
# {'score': 0.03562006726861,
#  'token': 3298,
#  'token_str': 'SLE',
#  'sequence': 'この患者はSLE と診断された。'},
# {'score': 0.025064188987016678,
#  'token': 10303,
#  'token_str': 'MDS',
#  'sequence': 'この患者はMDS と診断された。'},
# ...

You can fine-tune this model on downstream tasks.

See also sample Colab notebooks: https://colab.research.google.com/drive/1BUD3DKOUMqcwIO3X5bYUOsR_wDzgOJcd?usp=sharing

Tokenization

Each sentence is tokenized into tokens by SentencePiece (Unigram).

Vocabulary

The vocabulary consists of 30000 tokens induced by SentencePiece (Unigram).

Training procedure

The following hyperparameters were used during pre-training:

  • learning_rate: 0.0001
  • train_batch_size: 32
  • eval_batch_size: 32
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • total_train_batch_size: 256
  • total_eval_batch_size: 256
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 20000
  • training_steps: 2000000
  • mixed_precision_training: Native AMP

Note: Why do we call our model RoBERTa, not BERT?

As the config file suggests, our model is based on HuggingFace's BertForMaskedLM class. However, we consider our model as RoBERTa for the following reasons:

  • We kept training only with max sequence length (= 512) tokens.
  • We removed the next sentence prediction (NSP) training objective.
  • We introduced dynamic masking (changing the masking pattern in each training iteration).

Acknowledgements

This work was supported by Japan Japan Science and Technology Agency (JST) AIP Trilateral AI Research (Grant Number: JPMJCR20G9), and Joint Usage/Research Center for Interdisciplinary Large-scale Information Infrastructures (JHPCN) (Project ID: jh221004), in Japan.
In this research work, we used the "mdx: a platform for the data-driven future".

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
BertForMaskedLM
Ревизия весов
44781e5

0 моделей