/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Архитектура
xlm-roberta · dense
Опубликована
3 апр 2024

BERGAMOT-multilingual-GAT

ЭмбеддингиТекст → embedding3 профессии

Мультиязычная биомедицинская модель на базе XLM-RoBERTa с графовым энкодером для получения представлений текста и сущностей, включая задачи связывания биомедицинских сущностей.

156скачиваний за 30 дней3лайкавеса обновлены3 сен 2024

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

andorei/BERGAMOT-multilingual-GAT — мультиязычная биомедицинская модель представления сущностей, разработанная авторами BERGAMOT. Она основана на XLM-RoBERTa и использует энкодер Graph Attention Network (GAT); при предварительном обучении применялась база медицинских понятий UMLS версии 2020AB и несколько целевых функций. Модель предназначена для извлечения представлений текста и биомедицинских сущностей, в том числе в задачах связывания сущностей с понятиями медицинских справочников.

Модель содержит около 305,2 млн параметров, принимает текст и имеет контекст до 514 токенов. В карточке заявлена поддержка английского, испанского, французского, нидерландского, немецкого, финского, русского, турецкого, корейского, китайского, японского, тайского, португальского, итальянского, шведского, венгерского, польского, эстонского, хорватского, украинского и греческого языков. Выход модели — векторные представления; основной сценарий использования требует последующего поиска или сопоставления по этим векторам. Модель опубликована в формате PyTorch под лицензией, сведения о которой здесь отсутствуют.

Сценарии применения

  • получение эмбеддингов биомедицинских терминов
  • связывание упоминаний заболеваний и лекарств с понятиями UMLS
  • поиск похожих медицинских сущностей между языками
  • извлечение векторных представлений из биомедицинского текста

Ограничения

Контекст ограничен 514 токенами; модель выдаёт представления, поэтому для связывания сущностей и поиска требуется отдельный этап сопоставления. Лицензия в предоставленных данных не указана.

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

A multilingual BERGAMOT: Biomedical Entity Representation with Graph-Augmented Multi-Objective Transformer model with pre-trained on UMLS (version 2020AB) using a Graph Attention Network (GAT) encoder.

For technical details see our NAACL 2024 paper.

Here is the poster of our paper.

For pretraining code see our github: https://github.com/Andoree/BERGAMOT.

Citation

@inproceedings{sakhovskiy-et-al-2024-bergamot,
    title = "Biomedical Entity Representation with Graph-Augmented Multi-Objective Transformer",
    author = "Sakhovskiy, Andrey and Semenova, Natalia and Kadurin, Artur and Tutubalina, Elena",
    booktitle = "Findings of the Association for Computational Linguistics: NAACL 2024",
    month = jun,
    year = "2024",
    address = "Mexico City, Mexico",
    publisher = "Association for Computational Linguistics",
  }

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
bfda9c0

0 моделей