Modèle finetuné de RoBERTa-base pour la détection de toxicité dans un texte
Le modèle a pour objectif de détecter la toxicité dans un texte en prédisant la probabilité d'appartenir à ces catégories attribuant un score pour chacune de ces catégories.
Catégories: toxic, severe_toxic, obscene, threat, insult, identity_hate
Le dataset utilisé est celui de Google appelé jigsaw_toxicity_pred. Nous avons utilisé un subset pour cette version du modèle.
Paramètres d'entraînement
training_args = TrainingArguments(
output_dir="./results",
evaluation_strategy="epoch",
save_strategy="epoch",
learning_rate=2e-5,
per_device_train_batch_size=32,
per_device_eval_batch_size=16,
num_train_epochs=10,
weight_decay=0.01,
save_total_limit=5,
logging_dir="./logs",
logging_steps=50,
load_best_model_at_end=True,
gradient_accumulation_steps=4,
dataloader_num_workers=8,
dataloader_pin_memory=True,
fp16=True,
)
Erreur moyenne absolue par catégorie sur le dataset d'entraînement:
toxic: 0.1266
severe_toxic: 0.0386
obscene: 0.0673
threat: 0.0437
insult: 0.0832
identity_hate: 0.0513
