|
--- |
|
library_name: setfit |
|
tags: |
|
- setfit |
|
- sentence-transformers |
|
- text-classification |
|
- generated_from_setfit_trainer |
|
metrics: |
|
- accuracy |
|
widget: |
|
- text: La falta de entrega de la denuncia en el momento de la infracción, sin causa |
|
que lo impida, genera indefensión y la invalida. |
|
- text: No es verdad que condujera bajo los efectos del alcohol. No había ingerido |
|
ninguna bebida alcohólica, la prueba debió estar mal hecha. |
|
- text: Se sanciona sin explicar motivadamente las razones por las que se considera |
|
acreditada la comisión de la infracción, pese a lo alegado por el interesado. |
|
- text: Reclamo que se practique una reconstrucción de los hechos para demostrar que |
|
la colisión se produjo por una maniobra imprudente del otro conductor. |
|
- text: La sanción no está suficientemente motivada, pues no se justifica la valoración |
|
de la prueba efectuada ni el rechazo de las pruebas propuestas por el interesado. |
|
pipeline_tag: text-classification |
|
inference: true |
|
base_model: desarrolloasesoreslocales/bert-leg-al-corpus |
|
model-index: |
|
- name: SetFit with desarrolloasesoreslocales/bert-leg-al-corpus |
|
results: |
|
- task: |
|
type: text-classification |
|
name: Text Classification |
|
dataset: |
|
name: Unknown |
|
type: unknown |
|
split: test |
|
metrics: |
|
- type: accuracy |
|
value: 0.8 |
|
name: Accuracy |
|
--- |
|
|
|
# SetFit with desarrolloasesoreslocales/bert-leg-al-corpus |
|
|
|
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [desarrolloasesoreslocales/bert-leg-al-corpus](https://huggingface.co/desarrolloasesoreslocales/bert-leg-al-corpus) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) 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](https://www.sbert.net) 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:** [desarrolloasesoreslocales/bert-leg-al-corpus](https://huggingface.co/desarrolloasesoreslocales/bert-leg-al-corpus) |
|
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance |
|
- **Maximum Sequence Length:** 4096 tokens |
|
- **Number of Classes:** 15 classes |
|
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) --> |
|
<!-- - **Language:** Unknown --> |
|
<!-- - **License:** Unknown --> |
|
|
|
### Model Sources |
|
|
|
- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit) |
|
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055) |
|
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit) |
|
|
|
### Model Labels |
|
| Label | Examples | |
|
|:------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
| 49 | <ul><li>'Rechazo la veracidad de los hechos denunciados. Mi vehículo estaba correctamente estacionado, no obstaculizando ninguna salida.'</li><li>'Es incierto que circulara haciendo uso del teléfono móvil. En todo momento mantuve ambas manos en el volante.'</li><li>'Rechazo la acusación de no respetar el ceda el paso. Hice la incorporación con precaución y cuando no venía ningún vehículo.'</li></ul> | |
|
| 269 | <ul><li>'Pido que se decrete la suspensión de la ejecutividad de la sanción, en aplicación del artículo 117.2 de la Ley 39/2015, por la vulneración de derechos fundamentales en que se ha incurrido en su imposición.'</li><li>'Intereso la paralización temporal de la efectividad de la resolución sancionadora, al amparo del artículo 117 de la Ley 39/2015, por carecer de los presupuestos fácticos y jurídicos que la justifiquen.'</li><li>'Pido que se acuerde la medida cautelar de suspensión de la ejecución de la resolución sancionadora, conforme al artículo 117.2 de la Ley 39/2015, por la nulidad de pleno derecho de la que adolece.'</li></ul> | |
|
| 2014 | <ul><li>'Imponer la sanción en su grado máximo vulnera el principio de proporcionalidad, al no estar justificada la gravedad de la conducta.'</li><li>'La multa impuesta resulta excesiva y desproporcionada en relación con la escasa gravedad de la infracción cometida.'</li><li>'Aplicar la sanción en su mitad superior infringe el principio de proporcionalidad, al no concurrir circunstancias agravantes que lo justifiquen.'</li></ul> | |
|
| 78 | <ul><li>'Se está invirtiendo la carga de la prueba, correspondiendo a la administración y no al denunciado probar la culpabilidad, violando así la presunción de inocencia.'</li><li>'Se me está privando de mi derecho a la presunción de inocencia al condenarme sin pruebas incontrovertibles, basándose en simples indicios no confirmados.'</li><li>'No se han aportado evidencias que desvirtúen mi presunción de inocencia y acrediten sin lugar a dudas que cometí la infracción.'</li></ul> | |
|
| 32 | <ul><li>'La infracción imputada no está adecuadamente tipificada en la normativa, vulnerando el principio de tipicidad.'</li><li>'Se está haciendo una interpretación analógica de la norma sancionadora, incompatible con las exigencias del principio de tipicidad.'</li><li>'Se está conculcando el principio de tipicidad al sancionarme por una conducta que no está específicamente prohibida en la ley.'</li></ul> | |
|
| 12 | <ul><li>'La infracción de exceso de velocidad se produjo debido a un fallo repentino en el limitador de velocidad del vehículo, que no pude controlar.'</li><li>'No pude respetar el semáforo en ámbar al fallarme inesperadamente los frenos, teniendo que seguir la marcha hasta poder detenerme.'</li><li>'El semáforo en rojo fue rebasado al quedarse sin frenos mi vehículo de manera inesperada, siéndome imposible detenerme a tiempo.'</li></ul> | |
|
| 2017 | <ul><li>'Rechazo haber obstaculizado la fluidez circulatoria al detenerme en doble fila. Permanecí en el coche preparado para moverme si era necesario.'</li><li>'Niego haber obstaculizado el tráfico al estacionar en doble fila. Permanecí en el vehículo en todo momento para reanudar la marcha en caso necesario.'</li><li>'Es falso que entorpeciera el paso de vehículos durante mi parada. Fue en un lugar permitido y durante escasos minutos.'</li></ul> | |
|
| 304 | <ul><li>'Solicito que se tome declaración a mi acompañante, quien puede testificar que fue él quien condujo el vehículo en el momento de la infracción.'</li><li>'Pido que se tome declaración al mecánico que revisó mi vehículo y que puede confirmar que los frenos fallaron, impidiéndome detenerme ante la señal de stop.'</li><li>'Ruego que se tome declaración a los testigos presenciales que pueden confirmar que realicé la maniobra respetando la prioridad.'</li></ul> | |
|
| 2027 | <ul><li>'Es falso que no respetara la señal de prohibido cambiar de carril. Realicé la maniobra de cambio antes de llegar a la misma.'</li><li>'Niego haberme saltado la señal de prohibido circular los días impares. Era un día de circulación permitida para mi número de matrícula.'</li><li>'No desobedecí la señal de prohibido circular a más de 30 km/h. En ningún momento superé dicho límite de velocidad.'</li></ul> | |
|
| 357 | <ul><li>'La resolución sancionadora carece de la debida motivación, al no explicar de forma clara y precisa las razones que justifican la imposición de la sanción.'</li><li>'No se expresan en la resolución sancionadora, con la claridad y precisión requeridas, los argumentos que fundamentan la desestimación de las pruebas propuestas y practicadas, lo que evidencia su falta de motivación.'</li><li>'La sanción impuesta adolece de falta de motivación, al no detallar los elementos de juicio que llevan a apreciar la existencia de negligencia en la conducta del infractor.'</li></ul> | |
|
| 2002 | <ul><li>'Se ha omitido un requisito esencial para la validez de la denuncia al no notificarla en el acto, lo que vicia todo el procedimiento.'</li><li>'La ausencia de notificación en el acto, pudiendo hacerse, constituye un defecto invalidante de la denuncia.'</li><li>'Se ha prescindido de un trámite esencial del procedimiento al no notificar la denuncia en el acto, lo que determina su nulidad.'</li></ul> | |
|
| 994 | <ul><li>'Demando que se incorpore la fotografía que demuestra la posición de mi vehículo y que desmiente la versión del agente.'</li><li>'Reclamo que se aporte la fotografía de la zona peatonal donde presuntamente circulé, para demostrar que estaba habilitada para carga y descarga en ese momento.'</li><li>'Intereso que se aporte la fotografía del carril bus que supuestamente invadí, para constatar que estaba habilitado para tráfico mixto a esa hora.'</li></ul> | |
|
| 42 | <ul><li>'El principio de legalidad impide sancionar conductas que, aun siendo similares a las tipificadas, no encajan exactamente en la descripción legal.'</li><li>'Se ha sancionado una conducta que no está expresa, clara e inequívocamente tipificada, contraviniendo así el principio de legalidad.'</li><li>'Se ha ignorado el principio de legalidad al imponer una sanción por unos hechos que no encajan en la descripción legal de la infracción.'</li></ul> | |
|
| 1002 | <ul><li>'La denuncia es inválida al notificarse cuando la infracción leve ya estaba prescrita por el transcurso de más de 3 meses.'</li><li>'Procede apreciar la prescripción de la infracción grave, pues entre la comisión de los hechos y la notificación de la denuncia transcurrieron más de 6 meses.'</li><li>'Procede aplicar la prescripción de la infracción grave, al notificarse la denuncia cuando ya habían transcurrido más de 6 meses desde su comisión.'</li></ul> | |
|
| 1001 | <ul><li>'El error en la fecha de la infracción consignada en la denuncia constituye un defecto de forma determinante de su nulidad.'</li><li>'La denuncia no especifica con claridad el tipo de infracción cometida, generando indefensión al denunciado.'</li><li>'No se ha hecho constar en la denuncia la identificación del agente denunciante, lo que supone un defecto de forma.'</li></ul> | |
|
|
|
## Evaluation |
|
|
|
### Metrics |
|
| Label | Accuracy | |
|
|:--------|:---------| |
|
| **all** | 0.8 | |
|
|
|
## Uses |
|
|
|
### Direct Use for Inference |
|
|
|
First install the SetFit library: |
|
|
|
```bash |
|
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("desarrolloasesoreslocales/bert-leg-al-setfit") |
|
# Run inference |
|
preds = model("La falta de entrega de la denuncia en el momento de la infracción, sin causa que lo impida, genera indefensión y la invalida.") |
|
``` |
|
|
|
<!-- |
|
### Downstream Use |
|
|
|
*List how someone could finetune this model on their own dataset.* |
|
--> |
|
|
|
<!-- |
|
### Out-of-Scope Use |
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
--> |
|
|
|
<!-- |
|
## Bias, Risks and Limitations |
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
--> |
|
|
|
<!-- |
|
### Recommendations |
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
--> |
|
|
|
## Training Details |
|
|
|
### Training Set Metrics |
|
| Training set | Min | Median | Max | |
|
|:-------------|:----|:-------|:----| |
|
| Word count | 14 | 22.4 | 37 | |
|
|
|
| Label | Training Sample Count | |
|
|:------|:----------------------| |
|
| 12 | 16 | |
|
| 32 | 18 | |
|
| 42 | 16 | |
|
| 49 | 16 | |
|
| 78 | 18 | |
|
| 269 | 17 | |
|
| 304 | 16 | |
|
| 357 | 13 | |
|
| 994 | 18 | |
|
| 1001 | 18 | |
|
| 1002 | 18 | |
|
| 2002 | 16 | |
|
| 2014 | 19 | |
|
| 2017 | 17 | |
|
| 2027 | 19 | |
|
|
|
### Training Hyperparameters |
|
- batch_size: (24, 24) |
|
- num_epochs: (1, 1) |
|
- max_steps: -1 |
|
- sampling_strategy: oversampling |
|
- num_iterations: 8 |
|
- body_learning_rate: (2e-05, 2e-05) |
|
- head_learning_rate: 2e-05 |
|
- 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 | |
|
|:------:|:----:|:-------------:|:---------------:| |
|
| 0.0059 | 1 | 0.2923 | - | |
|
| 0.2941 | 50 | 0.143 | - | |
|
| 0.5882 | 100 | 0.1346 | - | |
|
| 0.8824 | 150 | 0.0339 | - | |
|
|
|
### Framework Versions |
|
- Python: 3.10.12 |
|
- SetFit: 1.0.3 |
|
- Sentence Transformers: 2.6.1 |
|
- Transformers: 4.38.2 |
|
- PyTorch: 2.2.1+cu121 |
|
- Datasets: 2.18.0 |
|
- Tokenizers: 0.15.2 |
|
|
|
## 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} |
|
} |
|
``` |
|
|
|
<!-- |
|
## Glossary |
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Authors |
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Contact |
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
--> |