Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 21 окт 2023

Ссылки

Hugging Face

fraud_text_detection

austinb

Классификация текстаТекст → label3 профессии

Дообученная модель DistilBERT для классификации текста с целью выявления мошеннических сообщений.

40скачиваний за 30 дней1лайквеса обновлены21 окт 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

austinb/fraud_text_detection — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных, указанном в карточке как None. Она предназначена для определения мошеннического текста. В карточке приведены результаты оценки: accuracy 0,9798 и loss 0,1112; дополнительных сведений о данных и методике оценки нет.

Модель использует DistilBERT и поддерживает контекст до 512 токенов. Репозиторий содержит веса PyTorch и ONNX. Лицензия — Apache-2.0. Карточка не описывает конкретные метки классов, состав обучающих данных или ограничения применимости, поэтому указанные результаты не гарантируют такое же качество на других данных.

Сценарии применения

выявление мошеннических текстовых сообщений
первичная сортировка подозрительных текстов
классификация сообщений для проверки специалистом

Ограничения

Карточка не раскрывает обучающий набор, классы и методику оценки; приведённые метрики не показывают качество на других данных. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

fraud_text_detection

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1112
Accuracy: 0.9798

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: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	334	0.0931	0.9815
0.0671	2.0	668	0.1112	0.9798

Framework versions

Transformers 4.34.1
Pytorch 2.1.0+cu118
Datasets 2.14.5
Tokenizers 0.14.1

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: DistilBertForSequenceClassification
Ревизия весов: e8ae92c