/ Модель

Характеристики

Контекст
514 токенов
Параметры
129 млн
Лицензия
CC BY 4.0
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
28 июн 2024

BantuBERTa

Заполнение пропусковТекст → текст3 профессии

BantuBERTa — модель RoBERTa для предсказания пропущенных слов и адаптации NLP-задач для языков банту.

187скачиваний за 30 дней2лайкавеса обновлены14 сен 2024

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

BantuBERTa — модель RoBERTa для работы с текстами на языках банту, разработанная Jesse Parvess, Vukosi Marivate и Verrah Akinyi. Она обучена на многоязычном корпусе, собранном преимущественно из веб-текстов CC100 и mC4, а также данных OPUS-100. Модель содержит 129,3 млн параметров, принимает текст и поддерживает контекст до 514 токенов.

Основной сценарий — предсказание замаскированных токенов; модель также можно дообучать для классификации текстов и распознавания именованных сущностей. В исследовании BantuBERTa уступала XLM-R, mBERT и AfriBERTa в тестах MasakhaNER для суахили, луганда и киньяруанда, но показала сильные результаты классификации новостных тем для зулу и лингала. Авторы связывают слабые результаты NER с меньшим размером и качеством предобучающего корпуса. Лицензия — CC BY 4.0.

Сценарии применения

  • предсказание замаскированных слов в текстах на языках банту
  • дообучение классификатора новостных тем на зулу и лингала
  • дообучение модели для распознавания именованных сущностей
  • перенос NLP-моделей между родственными языками банту

Ограничения

В тестах NER для суахили, луганда и киньяруанда модель уступала XLM-R, mBERT и AfriBERTa; авторы связывают это с меньшим размером и качеством предобучающего корпуса. Для классификации новостных тем результаты различались по языкам.

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

BantuBERTa: Using Language Family Grouping in Multilingual Language Modeling for Bantu Languages

Give Feedback 📑: DSFSI Resource Feedback Form

Using Language Family Grouping in Multilingual Language Modeling for Bantu Languages

Model Details

Mini-Dissertation Abstract

It was researched whether a multilingual Bantu pretraining corpus could be created from freely available data. Here, to create the dataset, Bantu text extracted from datasets that are freely available online (mainly from Huggingface) were used. The resulting multilingual language model (BantuBERTa) from this pretraining data proved to be predictive across multiple Bantu languages on a higher-order NLP task (NER) and in a simpler NLP task (classification). This proves that this dataset can be used for Bantu multilingual pretraining and transfer to multiple Bantu languages. Additionally, it was researched whether using this Bantu dataset could benefit transfer learning in downstream NLP tasks. BantuBERTa under-performed with respect to other models (XlM-R, mBERT, and AfriBERTa) bench-marked on MasakhaNER’s Bantu language tests (Swahili, Luganda, and Kinyarwanda). Additionally, it produced state of the art results for the Bantu language benchmarks (Zulu, and Lingala) in the African News Topic Classification dataset. It was surmised that the pretraining dataset size (which was 30% smaller than AfriBERTa’s) and dataset quality were the main cause for the poor performance in the NER test. We believe this is a case-specific failure due to poor data quality resulting from a pretraining dataset consisting mainly of web-scraped pages. Here, the resulting dataset consisted mainly of MC4 and CC100 Bantu text. However, on lower-order NLP tasks, like classification, pretraining on languages solely within the language family seemed to benefit transfer to other similar languages within the family. This potentially opens a method for effectively including low-resourced languages in low-level NLP tasks.

Model Description

  • Developed by: Jesse Parvess, Vukosi Marivate (@vukosi), Verrah Akinyi
  • Model type: RoBERTa Model
  • Language(s) (NLP):
  • License: CC BY 4.0

Usage

Use this model filling in masks or finetune for downstream tasks. Here’s a simple example for masked prediction:

from transformers import RobertaTokenizer, RobertaModel

# Load model and tokenizer
model = RobertaModel.from_pretrained('dsfsi/BantuBERTA')
tokenizer = RobertaTokenizer.from_pretrained('dsfsi/BantuBERTA')

Citation Information

Bibtex References (please cite both)

@misc{parvess2024bantuberta,
  title   = {BantuBERTa Model},
  author  = {Jesse Parvess and Vukosi Marivate and Verrah Akinyi},
  year    = {2024},
  publisher  = {Hugging Face},
  keywords = {NLP},
  software_url = {https://huggingface.co/dsfsi/BantuBERTa},
  doi = { 10.57967/hf/3067 },
}
@masterthesis{parvess2023thesis,
  title        = {BantuBERTa: Using Language Family Grouping in Multilingual Language Modeling for Bantu Languages},
  author       = {Jesse Parvess},
  year         = 2023,
  address      = {Pretoria, South Africa},
  note         = {Available at \url{https://repository.up.ac.za/handle/2263/92766}},
  school       = {University of Pretoria},
  type         = {Master's mini-dissertation},
  url = https://repository.up.ac.za/handle/2263/92766
}

Contributing

Your contributions are welcome! Feel free to improve the model.

Model Card Authors

Vukosi Marivate

Model Card Contact

For more details, reach out or check our website.

Email: vukosi.marivate@cs.up.ac.za

Enjoy exploring African Languages through AI!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
6607927

0 моделей