Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Опубликована: 14 янв 2023

Ссылки

Hugging Face

BENT-PubMedBERT-NER-Cell-Line

pruas

Разметка токеновТекст → label3 профессии

BERT-модель на базе PubMedBERT для извлечения упоминаний клеточных линий из английских биомедицинских текстов.

134скачиваний за 30 дней2лайкавеса обновлены2 мар 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

Модель pruас/BENT-PubMedBERT-NER-Cell-Line — модель распознавания именованных сущностей, дообученная авторами на базе PubMedBERT для выделения упоминаний клеточных линий в биомедицинских текстах. Для обучения использованы наборы CellFinder и JNLPBA с метками CellLine и cell_line.

Это BERT-модель для классификации токенов с 136,7 млн параметров и контекстом до 512 токенов. Она принимает английский текст и выдаёт метки для токенов, обозначающих клеточные линии. Репозиторий содержит веса PyTorch.

Модель подходит для извлечения названий клеточных линий из публикаций и других биомедицинских документов. Карточка ссылается на работу NILINKER. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

извлечение названий клеточных линий из научных статей
разметка упоминаний клеточных линий в биомедицинских текстах
подготовка сущностей клеточных линий для биомедицинского поиска
автоматизация аннотирования текстов корпусами CellFinder и JNLPBA

Ограничения

Модель предназначена для распознавания клеточных линий и не заявлена для других типов сущностей. Контекст ограничен 512 токенами; сведения о лицензии в предоставленных данных отсутствуют.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Named Entity Recognition (NER) model to recognize cell line entities.

Please cite our work:

@article{NILNKER2022,
  title = {NILINKER: Attention-based approach to NIL Entity Linking},
  journal = {Journal of Biomedical Informatics},
  volume = {132},
  pages = {104137},
  year = {2022},
  issn = {1532-0464},
  doi = {https://doi.org/10.1016/j.jbi.2022.104137},
  url = {https://www.sciencedirect.com/science/article/pii/S1532046422001526},
  author = {Pedro Ruas and Francisco M. Couto},
}

PubMedBERT fine-tuned on the following datasets:

CellFinder: entity type "CellLine"
JNLPBA: entity type "cell_line"

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForTokenClassification
Ревизия весов: 136430b