/ Модель

Характеристики

Контекст
512 токенов
Параметры
265 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
2 мар 2022

muril-base-cased

Заполнение пропусковТекст → текст5 профессий

MuRIL — базовая BERT-модель Google для предсказания замаскированных слов и адаптации NLP-задач на 17 индийских языках и их транслитерациях.

52 120скачиваний за 30 дней68лайковвеса обновлены10 июн 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

MuRIL — многоязычная модель Google на архитектуре BERT base, предварительно обученная с нуля для 17 индийских языков и их транслитерированных вариантов. Репозиторий содержит модель с MLM-слоем для предсказания замаскированных слов; доступны веса в форматах PyTorch, TensorFlow и Flax. Модель насчитывает около 264,8 млн параметров и принимает последовательности длиной до 512 токенов.

MuRIL предназначена для языкового моделирования и последующей адаптации к задачам NLP для индийских языков: например, классификации, разметки последовательностей и извлечения ответов на вопросы. При обучении использовались тексты Википедии, Common Crawl и параллельные переводные и транслитерированные данные; такой подход помогает работать с распространённой в индийском контексте записью языков латиницей. Модель не рассчитана на хорошую работу с языками, не представленными в обучении. Лицензия — Apache 2.0.

Сценарии применения

  • предсказание пропущенных слов в тексте на индийских языках
  • дообучение классификатора текстов на хинди и других индийских языках
  • разметка частей речи и сущностей в индийских языках
  • извлечение ответов на вопросы из текстов на индийских языках
  • получение векторных представлений предложений для поиска и сопоставления

Ограничения

Модель может плохо работать на языках, не входивших в предварительное обучение. Для прикладных downstream-задач обычно требуется дообучение.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MuRIL: Multilingual Representations for Indian Languages

MuRIL is a BERT model pre-trained on 17 Indian languages and their transliterated counterparts. We have released the pre-trained model (with the MLM layer intact, enabling masked word predictions) in this repository. We have also released the encoder on TFHub with an additional pre-processing module, that processes raw text into the expected input format for the encoder. You can find more details on MuRIL in this paper.

Overview

This model uses a BERT base architecture [1] pretrained from scratch using the Wikipedia [2], Common Crawl [3], PMINDIA [4] and Dakshina [5] corpora for 17 [6] Indian languages.

We use a training paradigm similar to multilingual bert, with a few modifications as listed:

  • We include translation and transliteration segment pairs in training as well.
  • We keep an exponent value of 0.3 and not 0.7 for upsampling, shown to enhance low-resource performance. [7]

See the Training section for more details.

Training

The MuRIL model is pre-trained on monolingual segments as well as parallel segments as detailed below :

  • Monolingual Data : We make use of publicly available corpora from Wikipedia and Common Crawl for 17 Indian languages.
  • Parallel Data : We have two types of parallel data :
    • Translated Data : We obtain translations of the above monolingual corpora using the Google NMT pipeline. We feed translated segment pairs as input. We also make use of the publicly available PMINDIA corpus.
    • Transliterated Data : We obtain transliterations of Wikipedia using the IndicTrans [8] library. We feed transliterated segment pairs as input. We also make use of the publicly available Dakshina dataset.

We keep an exponent value of 0.3 to calculate duplication multiplier values for upsampling of lower resourced languages and set dupe factors accordingly. Note, we limit transliterated pairs to Wikipedia only.

The model was trained using a self-supervised masked language modeling task. We do whole word masking with a maximum of 80 predictions. The model was trained for 1000K steps, with a batch size of 4096, and a max sequence length of 512.

Trainable parameters

All parameters in the module are trainable, and fine-tuning all parameters is the recommended practice.

Uses & Limitations

This model is intended to be used for a variety of downstream NLP tasks for Indian languages. This model is trained on transliterated data as well, a phenomomenon commonly observed in the Indian context. This model is not expected to perform well on languages other than the ones used in pretraining, i.e. 17 Indian languages.

Evaluation

We provide the results of fine-tuning this model on a set of downstream tasks. We choose these tasks from the XTREME benchmark, with evaluation done on Indian language test-sets. We also transliterate the test-sets and evaluate on the same. We use the same fine-tuning setting as is used by [9], except for TyDiQA, where we use additional SQuAD v1.1 English training data, similar to [10]. For Tatoeba, we do not fine-tune the model, and use the pooled_output of the last layer as the sentence embedding. All results are computed in a zero-shot setting, with English being the high resource training set language.

  • Shown below are results on datasets from the XTREME benchmark (in %)

    PANX (F1)mltateenbnhimrurAverage
    mBERT54.7751.2450.1684.4068.5965.1358.4431.3658.01
    MuRIL75.7471.8664.9984.4385.9778.0974.6385.0777.60
    UDPOS (F1)enhimrtateurAverage
    mBERT95.3566.0971.2759.5876.9857.8571.19
    MuRIL95.5564.4782.9562.5785.6358.9375.02
    XNLI (Accuracy)enhiurAverage
    mBERT81.7260.5258.2066.81
    MuRIL83.8570.6667.7074.07
    Tatoeba (Accuracy)mltatebnhimrurAverage
    mBERT20.2312.3814.9612.8027.8018.0022.7018.41
    MuRIL26.3536.8117.5220.2031.5026.6017.1025.15
    XQUAD (F1/EM)enhiAverage
    mBERT83.85/72.8658.46/43.5371.15/58.19
    MuRIL84.31/72.9473.93/58.3279.12/65.63
    MLQA (F1/EM)enhiAverage
    mBERT80.39/67.3050.28/35.1865.34/51.24
    MuRIL80.28/67.3767.34/50.2273.81/58.80
    TyDiQA (F1/EM)enbnteAverage
    mBERT75.21/65.0060.62/45.1353.55/44.5463.13/51.66
    MuRIL74.10/64.5578.03/66.3773.95/46.9475.36/59.28
  • Shown below are results on the transliterated versions of the above test-sets.

    PANX (F1)ml_trta_trte_trbn_trhi_trmr_trur_trAverage
    mBERT7.531.048.2441.7725.468.347.3014.24
    MuRIL63.397.0053.6272.9469.7568.7768.4157.70
    UDPOS (F1)hi_trmr_trta_trte_trur_trAverage
    mBERT25.0033.6724.0236.2122.0728.20
    MuRIL63.0967.1958.4065.3056.4962.09
    XNLI (Accuracy)hi_trur_trAverage
    mBERT39.638.8639.23
    MuRIL68.2461.1664.70
    Tatoeba (Accuracy)ml_trta_trte_trbn_trhi_trmr_trur_trAverage
    mBERT2.181.955.131.803.002.402.302.68
    MuRIL10.3311.0711.548.1014.907.2013.7010.98

References

[1]: Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805, 2018.

[2]: Wikipedia

[3]: Common Crawl

[4]: PMINDIA

[5]: Dakshina

[6]: Assamese (as), Bengali (bn), English (en), Gujarati (gu), Hindi (hi), Kannada (kn), Kashmiri (ks), Malayalam (ml), Marathi (mr), Nepali (ne), Oriya (or), Punjabi (pa), Sanskrit (sa), Sindhi (sd), Tamil (ta), Telugu (te) and Urdu (ur).

[7]: Conneau, Alexis, et al. Unsupervised cross-lingual representation learning at scale. arXiv preprint arXiv:1911.02116 (2019).

[8]: IndicTrans

[9]: Hu, J., Ruder, S., Siddhant, A., Neubig, G., Firat, O., & Johnson, M. (2020). Xtreme: A massively multilingual multi-task benchmark for evaluating cross-lingual generalization. arXiv preprint arXiv:2003.11080.

[10]: Fang, Y., Wang, S., Gan, Z., Sun, S., & Liu, J. (2020). FILTER: An Enhanced Fusion Method for Cross-lingual Language Understanding. arXiv preprint arXiv:2009.05166.

Citation

If you find MuRIL useful in your applications, please cite the following paper:

@misc{khanuja2021muril,
      title={MuRIL: Multilingual Representations for Indian Languages},
      author={Simran Khanuja and Diksha Bansal and Sarvesh Mehtani and Savya Khosla and Atreyee Dey and Balaji Gopalan and Dilip Kumar Margam and Pooja Aggarwal and Rajiv Teja Nagipogu and Shachi Dave and Shruti Gupta and Subhash Chandra Bose Gali and Vish Subramanian and Partha Talukdar},
      year={2021},
      eprint={2103.10730},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Contact

Please mail your queries/feedback to muril-contact@google.com.

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
afd9f36

0 моделей