Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 8 июл 2022

Ссылки

Hugging Face

SPECTER-with-biblio-context-finetuned-review_classifier

domenicrosati

Классификация текстаТекст → label3 профессии

Дообученная на базе SPECTER модель классификации текста для работы с научными рецензиями.

11скачиваний за 30 дней0лайковвеса обновлены8 июл 2022

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

domenicrosati/SPECTER-with-biblio-context-finetuned-review_classifier — модель классификации текста, дообученная автором на базе allenai/specter для классификации научных рецензий. В метаданных указаны архитектура на основе BERT с контекстным энкодером и 137,1 млн параметров; модель принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch.

Карточка приводит результаты оценки: accuracy 0,962, F1 0,7892, recall 0,7593 и precision 0,8216. Назначение классификатора связано с научными рецензиями, однако описание меток классов, обучающего набора данных и ограничений не приведено. Лицензия — Apache-2.0.

Сценарии применения

классификация научных рецензий
автоматическая сортировка рецензий по категориям
анализ текстов рецензирования научных статей

Ограничения

В карточке не описаны классы, обучающий набор данных и конкретные ограничения модели. Приведённый F1 равен 0,7892, поэтому качество может зависеть от данных и сценария применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель 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

SPECTER-with-biblio-context-finetuned-review_classifier

This model is a fine-tuned version of allenai/specter on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1284
Accuracy: 0.962
F1: 0.7892
Recall: 0.7593
Precision: 0.8216

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: 4.5e-05
train_batch_size: 12
eval_batch_size: 12
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 1000
num_epochs: 2
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Recall	Precision
0.1956	1.0	6667	0.1805	0.9514	0.7257	0.6860	0.7702
0.135	2.0	13334	0.1284	0.962	0.7892	0.7593	0.8216

Framework versions

Transformers 4.20.1
Pytorch 1.12.0+cu102
Datasets 2.3.2
Tokenizers 0.12.1

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: BertForSequenceClassificationWithContextEncoder
Ревизия весов: be1b9f6