/ Модель

Характеристики

Контекст
130 токенов
Параметры
152 млн
Лицензия
CC BY-SA 4.0
Архитектура
hierarchical-transformer · dense
Опубликована
10 окт 2022

hierarchical-transformer-base-4096

Заполнение пропусковТекст → текст3 профессии

Англоязычный иерархический трансформер на базе RoBERTa для восстановления замаскированных токенов и дообучения на задачах анализа длинных документов.

84скачиваний за 30 дней10лайковвеса обновлены12 янв 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

Hierarchical Attention Transformer (HAT) — модель семейства иерархических трансформеров, представленная Ильясом Халкидиcом и соавторами в работе об эффективной классификации длинных документов. Чекпойнт на 151,8 млн параметров инициализирован весами roberta-base и дополнительно обучен на задаче masked language modeling на длинных последовательностях из C4. В репозитории доступны веса PyTorch; лицензия — CC BY-SA 4.0.

Модель принимает текст и предназначена для восстановления замаскированных токенов, а также для дообучения на задачах, где решение зависит от всего документа: классификации документов, классификации предложений и ответов на вопросы. HAT сочетает внимание внутри сегментов с межсегментным вниманием; README указывает поддержку последовательностей до 4096 токенов. Метаданные сообщают native context в 130 токенов, поэтому заявленный предел длины последовательности и значение контекста в метаданных расходятся.

Модель обучалась на англоязычном C4 и рассчитана прежде всего на английский текст. Интернет-корпус содержит неотфильтрованный материал, поэтому предсказания могут быть смещёнными. Для прикладных задач модель обычно требуется дообучить.

Сценарии применения

  • восстановление пропущенных слов в английском тексте
  • классификация длинных документов после дообучения
  • классификация предложений с учётом контекста документа
  • ответы на вопросы по длинному документу после дообучения

Ограничения

Обучающие данные C4 содержат неотфильтрованный интернет-контент, из-за чего предсказания могут быть смещёнными. Для большинства задач модель предназначена для последующего дообучения; README заявляет длину последовательности до 4096 токенов, тогда как метаданные указывают native context 130 токенов.

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

Hierarchical Attention Transformer (HAT) / hierarchical-transformer-base-4096

Model description

This is a Hierarchical Attention Transformer (HAT) model as presented in An Exploration of Hierarchical Attention Transformers for Efficient Long Document Classification (Chalkidis et al., 2022).

The model has been warm-started re-using the weights of RoBERTa (Liu et al., 2019), and continued pre-trained for MLM in long sequences following the paradigm of Longformer released by Beltagy et al. (2020). It supports sequences of length up to 4,096.

HAT uses hierarchical attention, which is a combination of segment-wise and cross-segment attention operations. You can think of segments as paragraphs or sentences.

Intended uses & limitations

You can use the raw model for masked language modeling, but it's mostly intended to be fine-tuned on a downstream task. See the model hub to look for other versions of HAT or fine-tuned versions on a task that interests you.

Note that this model is primarily aimed at being fine-tuned on tasks that use the whole document to make decisions, such as document classification, sequential sentence classification, or question answering.

How to use

You can use this model directly for masked language modeling:

from transformers import AutoTokenizer, AutoModelForForMaskedLM
tokenizer = AutoTokenizer.from_pretrained("kiddothe2b/hierarchical-transformer-base-4096", trust_remote_code=True)
mlm_model = AutoModelForMaskedLM("kiddothe2b/hierarchical-transformer-base-4096", trust_remote_code=True)

You can also fine-tune it for SequenceClassification, SequentialSentenceClassification, and MultipleChoice down-stream tasks:

from transformers import AutoTokenizer, AutoModelForSequenceClassification
tokenizer = AutoTokenizer.from_pretrained("kiddothe2b/hierarchical-transformer-base-4096", trust_remote_code=True)
doc_classifier = AutoModelForSequenceClassification.from_pretrained("kiddothe2b/hierarchical-transformer-base-4096", trust_remote_code=True)

Limitations and bias

The training data used for this model contains a lot of unfiltered content from the internet, which is far from neutral. Therefore, the model can have biased predictions.

Training procedure

Training and evaluation data

The model has been warm-started from roberta-base checkpoint and has been continued pre-trained for additional 50k steps in long sequences (> 1024 subwords) of C4 (Raffel et al., 2020).

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 2
  • eval_batch_size: 2
  • seed: 42
  • distributed_type: tpu
  • num_devices: 8
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 128
  • total_eval_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • training_steps: 50000

Training results

Training LossEpochStepValidation Loss
1.74370.2100001.6370
1.69940.4200001.6054
1.67260.6300001.5718
1.6440.8400001.5526
1.62991.0500001.5368

Framework versions

  • Transformers 4.19.0.dev0
  • Pytorch 1.11.0+cu102
  • Datasets 2.0.0
  • Tokenizers 0.11.6

Citing

If you use HAT in your research, please cite:

An Exploration of Hierarchical Attention Transformers for Efficient Long Document Classification. Ilias Chalkidis, Xiang Dai, Manos Fergadiotis, Prodromos Malakasiotis, and Desmond Elliott. 2022. arXiv:2210.05529 (Preprint).

@misc{chalkidis-etal-2022-hat,
  url = {https://arxiv.org/abs/2210.05529},
  author = {Chalkidis, Ilias and Dai, Xiang and Fergadiotis, Manos and Malakasiotis, Prodromos and Elliott, Desmond},
  title = {An Exploration of Hierarchical Attention Transformers for Efficient Long Document Classification},
  publisher = {arXiv},
  year = {2022},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
HATForMaskedLM
Ревизия весов
1578b2b

0 моделей