Edit model card
YAML Metadata Warning: empty or missing yaml metadata in repo card (https://huggingface.co/docs/hub/model-cards#model-card-metadata)

NLP NER-modeller udviklet under AI-aktindsigt projektet er trænet på tre forskellige måder: Enikke-privatbaseline model og to modeller trænet med differential privacy med hhv. ε=8 og ε=1 (se SmartNoise Whitepaper1 og Learning with Privacy at Scale2 for valg af ε i industrien). δ er sat til 1 over længden af træningsdatasættet (se LLM CAN BE STRONG DP LEARNERS3). Derudover er modellerne trænet med to forskellige sæt af entititer - med og uden entiteterne Forbrydelse og CPR-numre, som dog må anses som præmature for udstilling.

Modellen udstillet fremgå af nedenstående listen af forskellige træningsiterationer under navnet "sss-ner-dp-1 Special semantisk søgemodel finetunet på NER-annoterede aktindsigter med DP - ε = 1 excl. Forbrydelse og CPR"

Denne model kan anvendes til at fremsøge entiteter i de 7 følgende kategorier: 1) personer 2) lokationer 3) organisationer 4) helbredsoplysninger 5) adresser 6) kommuner og 7) telefonnumre.

Model Beskrivelse
sss-ner Special semantisk søgemodel finetunet på NER-annoterede aktindsigter excl. Forbrydelse og CPR
sss-ner-dp-8 Special semantisk søgemodel finetunet på NER-annoterede aktindsigter med DP-ε=8 excl. Forbrydelse og CPR
sss-ner-dp-1 Special semantisk søgemodel finetunet på NER-annoterede aktindsigter med DP-ε=1 excl. Forbrydelse og CPR
sss-ner-fc Special semantisk søgemodel finetunet på NER-annoterede aktindsigter
sss-ner-fc-dp-8 Special semantisk søgemodel finetunet på NER-annoterede aktindsigter med DP-ε= 8
sss-ner-fc-dp-1 Special semantisk søgemodel finetunet på NER-annoterede aktindsigter med DP-ε= 1

Modellerne finetunet til Named Entity Recognition (NER)og er trænet til at forudsige følgende kategorier:

Tag Navn Beskrivelse
PER Person Navn på en person (fx_Kasper__Hansen_eller_Birgitte_)
LOK Lokation Navn på en lokation (fx_Danmark_eller_Kongens__Have_)
ADR Adresse Navn på en adresse (fx_Rådhuspladsen, 2400 København_)
HEL Helbred Ord relaterede til helbred (fx_hovedpine_eller_OCD_)
ORG Organisation Navn på enorganisation (fx_Alvenir__Aps_eller_Aktio_)
KOM Kommune Navn på enkommune (fx_Sønderborg__Kommune_)
TEL Telefonnummer Telefonnummer (fx_11 22 33 69_,_11223344_eller_1122 3344_)
CPR CPR-nummer CPR- høj usikkerhed (fx_01011990__1234_,01011990-1234_eller_010119901234)
FOR Forbrydelse Forbrydelse- høj usikkerhed (fx_tyveri_,vold_eller_psykisk__vold)

Datasæt

Modellerne er trænet på 49,191 unikke sætninger, og valideret på 2,359 sætninger, og testet på et data-sæt bestående af 125 entiteter fra hver kategori af entiteter som indgik i træningen. Data er blevet filtreret, opdelt i unikke sætninger og derefter inddelt i trænings-, test- og valideringssæt.

Eksempel på anvendelse af model

from transformers import pipeline
import pandas as pd

ner = pipeline(task='ner', model='../ner/models/sss-ner/best_model', aggregation_strategy='first')


sentence = 'Gunnar Hjering Nielsen er medarbejder i virksomheden Danske Sprogmodeller ApS og har ofte ekstrem hovedpine.' \
    'Han bor på Hjortemarken 31, 2100 København Ø som ligger i Københavns Kommune.' \
    'Hans tlf nummer er 12345560 og han er fra Danmark. Hjortemarken er centralt placeret i Københaven.'

result = ner(sentence)
print(pd.DataFrame.from_records(result))

Nedenstående tabel viser de forskellige modellers Macro-F1 score.

Model Macro score F1- PER F1 LOK F1 ADR F1 HEL F1 ORG F1 KOM F1 TEL F1 CPR F1 FOR F1
sss-ner 0.86 0.95 0.77 0.90 0.63 0.77 0.96 0.92 NA NA
sss-ner-dp-8 0.84 0.97 0.64 0.85 0.65 0.73 0.94 0.95 NA NA
sss-ner-dp-1 0.75 0.94 0.51 0.82 0.59 0.62 0.86 0.75 NA NA
sss-ner-fc 0.80 0.96 0.70 0.88 0.43 0.70 0.97 0.90 0.55 0.95
sss-ner-fc-dp-8 0.82 0.96 0.66 0.87 0.62 0.69 0.94 0.92 0.67 0.93
sss-ner-fc-dp-1 0.69 0.95 0.56 0.84 0.40 0.66 0.88 0.78 0.06 0.87

Træningsprocedure hyperparametre

Hyperparametre anvendt i træningen

Model learning_rate train_batc eval_batc optimizer lot_si epsilon delta num_epochs
sss-ner 4.21e−5 64 64 Adam W med tas=(0.9,0.999)epsilon=1e-08 be- og NA NA NA 15
sss-ner-dp-8 0.00044 16 16 Adam W med tas=(0.9,0.999) epsilon=1e-08 be-og 8 2.03e 512 15
sss-ner-dp-1 0.00044 16 16 Adam W med tas=(0.9,0.999) epsilon=1e-08 be-og 1 2.03e 512 15
sss-ner-fc 9.65e−5 16 16 Adam W med tas=(0.9,0.999) epsilon=1e-08 be-og NA NA NA 15
sss-ner-fc-dp-8 0.00044 16 16 Adam W med tas=(0.9,0.999) epsilon=1e-08 be-og 8 2.03e 512 15
sss-ner-fc-dp-1 0.00044 16 16 Adam W med tas=(0.9,0.999) epsilon=1e-08 be-og 1 2.03e 512 15

Framework versioner

• transformers 4.19.2

• opacus 1.2.0

• datasets 2.2.2

• numpy==1.22.3

• pytorch 1.13.0+cu11

Fuld dokumentation kan findes på AI aktindsigts Github linket under projektet her på Huggingface.

1 https://azure.microsoft.com/mediahandler/files/resourcefiles/microsoft-smartnoisedifferential-privacy-machine-learning-case-studies/SmartNoise%20Whitepaper%20Final%203.8.21.pdf

2 https://machinelearning.apple.com/research/learning-with-privacy-at-scale

3 https://arxiv.org/pdf/2110.05679.pdf

Downloads last month
559
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.