This is a SetFit model trained on the gentilrenard/lmd_ukraine_comments dataset that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-mpnet-base-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-mpnet-base-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 128 tokens
Number of Classes: 3 classes
Training Dataset: gentilrenard/lmd_ukraine_comments

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
2	"Waouh on a failli avoir un article positif (pas seulement sur Macron, mais positif sur la France). Heureusement si vous voulez du vrai positif il y a toute la presse étrangère en ce moment. On pourrait aussi parler du paquet climat voté la semaine dernière, et qui aura beaucoup plus d'impact que toutes les primes de rénovations et autres éoliennes. Mais non, ce serait être positif et souvenez vous, tout va mal, nous sommes foutus." "Pourriez-vous lire l'article? Cela vous éviterait de poser des questions inutiles." 'Les pays qui ne suivent pas les USA ont très majoritairement sont dirigés par un apprenti ou un chef boucher.'
0	'Les "Savonarole" finissent toujours sur le bûcher. Quant on traite ses frères devenus ses adversaires, enfin ses ennemis, d'abord de "nazis" et désormais de "Satan", ou bien on a complètement perdu la raison, ou bien on s'inscrit dans une guerre de religion ou fermente le pire fanatisme religieux. Cette guerre pan-slave est donc avant tout une guerre schismatique entre sectes orthodoxes comme on les cultivait au Haut Moyen-Age... mille ans avant la chute de Byzance! A propos de christianisme, on attendrait un message "oecuménique" de la part du Pape de Rome en vue de remonter les bretelles de son "confrère" de Moscou, plutôt qu'un rappel des atrocités du golodomor des années 30 qui ne fait pas vraiment avancer la question actuelle. Faut-il rappeler à François que le sujet, ce ne sont pas les crimes de Staline, mais ceux, hic et nunc, de Poutine qui certes, ne comptabilise plus les divisions du Vatican, mais qui aurait besoin d'une bonne claque morale universelle?' "Les russes ne détruiront ni New-York, ni Munich. Cela serait la fin de la Russie (et probablement au passage de l'Occident), et ils le savent. Les russes n'attaqueront pas un pays de l'OTAN avec des moyens conventionnels. à 1 contre 8, 1 contre 20 en termes de PIB et de budget militaire, ils se feraient massacrer, et ils le savent. On a vu ces derniers mois ce que valait véritablement l'armée russe : pas de quoi effrayer l'OTAN. Ils leur reste... une très grande bouche avec laquelle ils peuvent hurler, menacer, se plaindre. Laissons les dire, et envoyons les chars. Et le reste. Cette folie doit cesser - et pas avec la défaite de l'Ukraine, qui serait la défaite de toutes les démocraties attachées à l'état de droit." '« C’est l’affaire des russes »? C’est donc votre affaire en qualité de propagandiste stipendié par le Kremlin ? Pouvez vous vous occuper de vos affaires Ricardo et cessez de vous occuper des « occidentaux » svp'
1	"Salandre : les documents dont vous faîtes état montrent toujours la même chose, à savoir toujours les mêmes carcasses. 1300 camions (soit une colonne d'au moins 50km) auraient été détruits. Où sont-ils donc? C'est toujours une poignée des mêmes camions qui est montrée. Un millier de tanks auraient été également détruits ce qui donne un volume de l'ordre 90 000 m3 de ferraille. J'attends qu'on montre leurs carcasses. Et le tout à l'avenant... CORRECTEUR : en démontant la couverture de cette guerre, je m'occupe justement d'une affaire qui me concerne. Il ne vous revient pas de décréter ce qui me concerne ou pas. C'est ma stricte affaire. Et si ce que je dis vous dérange vous avez l'entière liberté de passer votre chemin sans lire." 'Vous êtes naif si vous croyez que seuls les Russes ont ce genre de comportement en tant de guerre...vous devez être de ceux qui croient en la guerre "propre" que les Occidentaux prétendre faire depuis 40 ans (parfois avec les Russes comme alliés d'ailleurs).' 'Voilà donc un reportage qui, peut-être un peu "à l'insu de son plein gré", confirme que l'Ukraine actuelle est une fiction, stricte création soviétique. Il y a en fait trois Ukraine, la russophone qui est russe et veut rejoindre la mère-patrie, la polonaise et la austro-hongroise. Quant à l'ukrainien, c'est un "patois" de russe (moi je préfère l'expression langue dérivée du russe, mais aux racines foncièrement russes, comme ma traductrice en Crimée me l'avait expliqué, explication que j'ai faîte mienne n'ayant pas les connaissances linguistiques pour la contester). Les frontières ne sont pas création divine. Elles ne sont jamais définitives. Par exemple, la dernière modification des frontières françaises remonte à l'indépendance des Comores. Jusqu'en 1962, l'Algérie était trois départements français. Et peut-être qu'un jour la Nouvelle Calédonie ne sera plus française, que la Guyane sera indépendante, et ainsi de suite...'

Evaluation

Metrics

Label	Accuracy
all	0.7626

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("gentilrenard/paraphrase-multilingual-mpnet-base-v2_setfit-lemonde-french")
# Run inference
preds = model("Pour Yves Pozzo di Borgo, c'est une tradition familliale. Charles André Pozzo di Borgo fut ambassadeur de la Russie.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	63.1703	180

Label	Training Sample Count
0	115
1	82
2	126

Training Hyperparameters

batch_size: (32, 32)
num_epochs: (2, 2)
max_steps: 2350
sampling_strategy: oversampling
body_learning_rate: (3e-07, 3e-07)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
seed: 42
run_name: setfit_optimized_v4
eval_max_steps: -1
load_best_model_at_end: True

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0005	1	0.243	-
0.0234	50	0.2654	0.2636
0.0467	100	0.2942	0.2611
0.0701	150	0.2462	0.2572
0.0934	200	0.2562	0.2546
0.1168	250	0.2445	0.2505
0.1401	300	0.2206	0.2473
0.1635	350	0.2435	0.2453
0.1868	400	0.1985	0.2425
0.2102	450	0.265	0.2411
0.2335	500	0.2408	0.2387
0.2569	550	0.1986	0.2369
0.2802	600	0.2071	0.2351
0.3036	650	0.2119	0.2341
0.3270	700	0.2558	0.2314
0.3503	750	0.215	0.2292
0.3737	800	0.2286	0.2271
0.3970	850	0.2495	0.2256
0.4204	900	0.1844	0.2237
0.4437	950	0.2529	0.2216
0.4671	1000	0.2074	0.2202
0.4904	1050	0.1753	0.2188
0.5138	1100	0.2216	0.2169
0.5371	1150	0.1878	0.2153
0.5605	1200	0.1862	0.2142
0.5838	1250	0.1682	0.2129
0.6072	1300	0.2425	0.2116
0.6305	1350	0.174	0.211
0.6539	1400	0.1641	0.209
0.6773	1450	0.2014	0.2094
0.7006	1500	0.1423	0.2083
0.7240	1550	0.204	0.2078
0.7473	1600	0.2265	0.2075
0.7707	1650	0.1812	0.2063
0.7940	1700	0.1804	0.2058
0.8174	1750	0.1658	0.2055
0.8407	1800	0.1374	0.2064
0.8641	1850	0.1316	0.2057
0.8874	1900	0.1566	0.205
0.9108	1950	0.2053	0.2035
0.9341	2000	0.1436	0.2046
0.9575	2050	0.2436	0.2039
0.9809	2100	0.1999	0.2038
1.0042	2150	0.1459	0.2042
1.0276	2200	0.1669	0.2044
1.0509	2250	0.1705	0.2042
1.0743	2300	0.1509	0.2038
1.0976	2350	0.1382	0.2036

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.12
SetFit: 1.0.3
Sentence Transformers: 2.3.0
Transformers: 4.36.0
PyTorch: 2.0.0
Datasets: 2.16.1
Tokenizers: 0.15.0

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}
}