Binary causal sentence classification:
- LABEL_0 = Non-causal
- LABEL_1 = Causal
Trained on multiple datasets.
Характеристики
- Контекст
- 512 токенов
- Параметры
- 136 млн
- Лицензия
- Не указана
- Архитектура
- bert · dense
- Опубликована
- 15 июл 2022
Ссылки
unicausal-seq-baseline
BERT-модель для бинарной классификации предложений на причинные и неп причинные.
50скачиваний за 30 дней1лайквеса обновлены15 июл 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
tanfiona/unicausal-seq-baseline — модель классификации предложений по причинно-следственной связи. Она присваивает тексту метку LABEL_0 для неп причинного и LABEL_1 для причинного предложения. Модель построена на архитектуре BERT и имеет 135,5 млн параметров; заявленный контекст составляет до 512 токенов. В карточке указано, что модель обучена на нескольких наборах данных.
Модель предназначена для автоматической разметки предложений как причинных или неп причинных, например, при анализе текстовых коллекций. Она принимает текст и выдаёт метку класса. Репозиторий содержит веса PyTorch; лицензия в метаданных обозначена как unknown, поэтому условия использования по карточке определить нельзя.
Сценарии применения
- выявление причинных предложений в корпусе текстов
- разметка предложений для анализа причинно-следственных связей
- фильтрация текста по наличию причинного утверждения
Ограничения
Классификация ограничена двумя метками: причинное и неп причинное предложение; контекст модели — до 512 токенов. Лицензия указана как unknown, поэтому условия использования требуют отдельной проверки.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…
- Класс архитектуры
- BertForSequenceClassification
- Ревизия весов
- 1f7b3a6