CundK/ePA-Classifier-Agreement

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:

1. Fine-tuning a Sentence Transformer with contrastive learning.
2. 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: 3 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	'Ich mache mir Sorgen, dass die ePA den Datenschutz aushebelt und Patienten zu gläsernen Bürgern macht.' 'Die ePA ist ein weiterer Schritt in Richtung Überwachung. Ich habe Bedenken, dass Versicherungen und Arbeitgeber irgendwann Zugriff darauf erhalten könnten.' 'Die ePA mag gut gemeint sein, aber in der Praxis wird sie vermutlich mehr Schaden als Nutzen bringen.'
1	'Ob die ePA wirklich nützlich ist, wird sich erst in der Praxis zeigen. Bis dahin bin ich unentschlossen.' 'Die ePA hat sicherlich Potenzial, aber ich bin mir noch nicht sicher, ob sie tatsächlich den versprochenen Nutzen bringt.' 'Die ePA hat potenzielle Vorteile, aber auch Risiken, die nicht ignoriert werden sollten.'
2	'Die ePA wird das Gesundheitssystem moderner und zugänglicher machen, insbesondere für Menschen mit chronischen Krankheiten.' 'Die ePA ist ein wichtiger Schritt in Richtung Digitalisierung und Modernisierung des Gesundheitssystems.' 'Die Einführung der ePA bedeutet, dass alle Ärzte und Krankenhäuser auf dem gleichen Stand sind. Das vermeidet Fehler und verbessert die Patientensicherheit.'

Evaluation

Metrics

Label	Accuracy
all	0.9556

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("setfit_model_id")
# Run inference
preds = model("Für mich ist die ePA keine Verbesserung, sondern ein potenzielles Sicherheitsrisiko.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	11	16.9111	22

Label	Training Sample Count
0	18
1	14
2	13

Training Hyperparameters

• batch_size: (32, 32)
• num_epochs: (1, 1)
• max_steps: -1
• sampling_strategy: oversampling
• body_learning_rate: (2e-05, 1e-05)
• 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
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0238	1	0.1913	-

Framework Versions

• Python: 3.12.4
• SetFit: 1.0.3
• Sentence Transformers: 3.0.1
• Transformers: 4.39.0
• PyTorch: 2.2.2
• Datasets: 2.21.0
• Tokenizers: 0.15.2

Citation

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}
}