You can deploy this model and start earning money today!

research-dump/
paraphrase-multilingual-MiniLM-L12-v2_wikipedia_es_masked_outcome_prediction_gr

Name: paraphrase-multilingual-MiniLM-L12-v2_wikipedia_es_masked_outcome_prediction_gr
Availability: InStock

setfit

safetensors

bert

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

finetune

Views

No views yet

SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 128 tokens
Number of Classes: 4 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
0	'hipótesis militar (ovni)(editar
2	'félix acaso[editar]\nla siguiente discusión es una consulta de borrado archivada.por favor, no la modifiques.los comentarios siguientes deben hacerse en la página de discusión apropiada (la discusión del artículo o en unaconsulta de restauración). no se deben realizar más ediciones en esta página.el resultado fue creo que se ha enfocado mal la apertura de esta consulta desde el punto de vista de la relevancia enciclopédica. existen fuentes que determinan su relevancia más allá de la carrera que haya tenido, por lo que se debe.r@gesi?07:52 13 may 2010 (utc)[responder]félix acaso(editar
1	'clivaje (psicología)[editar]\nla siguiente discusión es una consulta de borrado archivada.por favor, no la modifiques.los comentarios siguientes deben hacerse en la página de discusión apropiada (la discusión del artículo o en unaconsulta de restauración). no se deben realizar más ediciones en esta página.el resultado fueparcialmente conjacques lacany convertirse en redireción. parece que el término existe, sin embargo, no constituye para hacerse una entrada aparte, a menos que se tenga información objetiva y referenciable.taichi〒21:51 31 mar 2010 (utc)[responder]clivaje (psicología)(editar
3	'wikipedia:evite escribir con atajos[editar]\nla siguiente discusión es una consulta de borrado archivada.por favor, no la modifiques.los comentarios siguientes deben hacerse en la página de discusión apropiada (la discusión del artículo o en unaconsulta de restauración). no se deben realizar más ediciones en esta página.el resultado fue 'mantener. la única argumentación dada es que no hay un gran consenso sobre su creación, pero para bien o para mal no hay una regulación clara de los ensayos en wikipedia en español. estar en el espacio de nobmres no signfica que forme parte del manual de estilo ni que sea una política oficial, eso queda bien claro al principio con la plantilla.morza(sono qui)23:15 16 abr 2009 (utc)[responder]wikipedia:evite escribir con atajos(editar

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

python

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("research-dump/paraphrase-multilingual-MiniLM-L12-v2_wikipedia_es_masked_outcome_prediction_gr")
# Run inference
preds = model("la siguiente discusión es una consulta de borrado archivada.por favor, no la modifiques.los comentarios siguientes deben hacerse en la página de discusión apropiada (la discusión del artículo o en unaconsulta de restauración). no se deben realizar más ediciones en esta página.el resultado fuecarece deverificabilidad, las referencias son inválidasesteban(discusión)23:16 23 sep 2010 (utc)[responder]ciudad bolívar (barrio)[editar]ciudad bolívar (barrio)(editar|discusión|historial|enlaces|vigilar|registros|proteger|)– (ver registro del día)un mes con la plantilla sin relevancia aparente. defendida en discusión y ampliada.taichi〒06:40 9 sep 2010 (utc)[responder]bórreseinformación incorrecta y pretenciosa --don pownerus de la mancha(mensajes)19:00 9 sep 2010 (utc)[responder]bórreseestoy plenamente de acuerdo, ademas no tiene las fuentes que indiquen como esta conformado el barrio, su historia, actividades socio-económicas, los limites y sitios destacables. --oscarín orbitus(discusión)23:57 9 sep 2010 (utc)[responder]bórreselas referencias no parecen sustentar el articulo, ademas, me parece que para decir que un determinado sitio es \"un tugurio\" se necesitan muy buenas fuentes o caeriamos en difamacion. es demasiado corto y demasiado sesgado para permanecer.andrea(discusión)15:30 16 sep 2010 (utc)[responder]bórreseaunque el barrio merecerá, sin duda, un lugar en wikipedia, el artículo no es aceptable por cuanto se limita a aportar determinadas apreciaciones \"noticiosas\" sobre el mismo, careciendo de contenido enciclopédico.pepepitos(discusión)18:51 23 sep 2010 (utc)[responder]la discusión anterior se conserva como registro del debate.por favor, no la modifiques.esta página no se debe editar más.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	59	703.43	6784

Label	Training Sample Count
0	69
1	3
2	25
3	3

Training Hyperparameters

batch_size: (8, 2)
num_epochs: (10, 10)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 10
body_learning_rate: (1e-05, 1e-05)
head_learning_rate: 5e-05
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: True
use_amp: True
warmup_proportion: 0.1
l2_weight: 0.01
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.004	1	0.181	-
2.0	500	0.1334	0.3588
4.0	1000	0.0027	0.3582
6.0	1500	0.0009	0.3724
8.0	2000	0.0005	0.3818
10.0	2500	0.0004	0.3875

Framework Versions

Python: 3.12.7
SetFit: 1.1.1
Sentence Transformers: 3.4.1
Transformers: 4.48.2
PyTorch: 2.6.0+cu124
Datasets: 3.2.0
Tokenizers: 0.21.0

Citation

BibTeX

bibtex

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}