Англоязычная BioBERT-модель классифицирует научные предложения по степени выраженности причинно-следственной связи.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
kelingwang/bert-causation-rating-pubmed — англоязычная модель классификации текста на основе BioBERT, дообученная на вручную размеченных текстах из набора, использованного в статье Yu et al. (2019) «Detecting Causal Language Use in Science Findings». Она оценивает предложения из научных публикаций по уровням выраженности причинно-следственной связи. Модель построена на архитектуре BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает текст длиной до 512 токенов.
Распространяется по лицензии MIT. Она предназначена для анализа формулировок научных выводов, однако её область применения ограничена распознаванием уровней причинности в английских научных предложениях; точность и переносимость на другие жанры или языки в карточке не описаны.
Модель рассчитана на англоязычные научные предложения и уровни причинности, представленные в использованном наборе данных; качество на других жанрах и языках не описано.
README от автора на Hugging Face, как он его опубликовал
This is a BioBERT based model trained on a set of manually annotated texts with causation labels, tasked with classifying a sentence into different levels of strength of causation.
This rating-pubmed version is tuned on the dataset provided in a published article Yu et al. (2019) Detecting Causal Language Use in Science Findings.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…