/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
4 апр 2022

fake-news-fatima-fellowship

Классификация текстаТекст → label

Дообученная DistilBERT-модель для классификации текстов новостей и выявления фейковых новостей.

11скачиваний за 30 дней0лайковвеса обновлены5 апр 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

gagan3012/fake-news-fatima-fellowship — модель классификации текста на базе DistilBERT, дообученная на distilbert-base-uncased. Она предназначена для распознавания фейковых новостей по тексту; карточка сообщает о точности 1,0 и F1 1,0 на оценочном наборе, однако описание набора данных и подробности оценки отсутствуют. Модель принимает текст с контекстом до 512 токенов и выдаёт метку класса.

Модель опубликована в формате PyTorch под лицензией Apache-2.0. Из-за отсутствия сведений о данных и методике оценки заявленные результаты не позволяют судить о качестве на других источниках новостей или в реальных сценариях.

Сценарии применения

  • классификация новости как фейковой или достоверной
  • первичная фильтрация подозрительных новостных публикаций
  • автоматическая разметка новостных текстов для проверки

Ограничения

Набор данных описан как None, а сведения о его составе и методике оценки отсутствуют; поэтому заявленные идеальные метрики нельзя считать подтверждением качества на новых данных. Контекст ограничен 512 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

fake-news-fatima-fellowship

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: 0.0000
  • Accuracy: 1.0
  • F1: 1.0

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: 3

Training results

Training LossEpochStepValidation LossAccuracyF1
0.0081.025140.00110.99960.9996
0.00042.050280.00001.01.0
0.00033.075420.00001.01.0

Framework versions

  • Transformers 4.16.2
  • Pytorch 1.9.1
  • Datasets 1.18.4
  • Tokenizers 0.11.6

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
62c1bee

0 моделей