metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:1799998
  - loss:CachedGISTEmbedLoss
base_model: x2bee/KoModernBERT-base-mlm-ecs-simcse
widget:
  - source_sentence: >-
      공용 다운 재킷은 다양한 체형과 스타일에 맞게 설계된 따뜻하고 편안한 외투이다. 이 재킷은 자연스러운 다운 충전재로 보온성을
      극대화하여 겨울철의 추위를 효과적으로 막아준다. 또한, 방수 기능을 갖춘 외부 소재로 제작되어 비 오는 날씨에도 적합하다. 캐주얼한
      디자인으로 일상생활은 물론 아웃도어 활동에도 잘 어울린다.
    sentences:
      - >-
        소형 세탁기는 작은 공간에서도 사용 가능하며, 빠른 세탁이 가능한 제품이다. 따라서 바쁜 일상 속에서도 쉽게 사용할 수 있다. 이
        제품은 환경 친화적인 소비를 원하는 가정에 알맞은 선택이다.
      - >-
        이 재킷은 다양한 체형에 잘 맞도록 설계되어 편안함을 제공하며, 겨울철에도 따뜻함을 유지해주는 외투이다. 방수 기능이 있어 비
        오는 날에도 착용할 수 있고, 캐주얼한 디자인으로 일상적인 활동과 아웃도어에도 적합하다.
      - >-
        공용 다운 재킷은 모든 체형에 맞지 않으며, 추위를 잘 막아주지 않는다. 방수 기능이 없어서 비 오는 날씨에는 적합하지 않으며,
        디자인이 너무 정장 스타일이라 아웃도어 활동에는 어울리지 않는다.
  - source_sentence: >-
      농구용 무릎 보호대는 농구를 하는 동안 무릎을 보호하고 부상을 예방하기 위한 장비이다. 이 보호대는 탄력 있는 소재로 제작되어 착용
      시 편안함을 주며, 무릎 관절에 가해지는 압력을 줄여준다. 또한, 운동 중에 발생할 수 있는 충격을 흡수하여 선수의 안전을 도모하는
      데 도움을 준다.
    sentences:
      - 농구를 하는 선수들에게 무릎을 안전하게 보호하고 부상을 방지하기 위해 설계된 장비가 바로 농구용 무릎 보호대이다.
      - 농구용 무릎 보호대는 농구를 하는 동안 무릎에 아무런 보호 효과도 주지 않는다.
      - 고농축 세럼은 피부의 주름을 줄이고 탄력성을 높이는 데 효과적이다.
  - source_sentence: >-
      러닝머신은 실내에서 안전하게 달리거나 걷기 위해 설계된 운동 기구이다. 사용자가 원하는 속도와 경사를 설정할 수 있어 개인의 운동
      능력에 맞춰 조정이 가능하다. 다양한 프로그램과 기능이 탑재되어 있어 지루하지 않게 운동할 수 있도록 도와준다. 특히 날씨와 상관없이
      언제든지 운동할 수 있는 장점이 있다.
    sentences:
      - 러닝머신은 사용자가 언제든지 실내에서 운동할 수 있도록 돕는 장비여서, 다양한 설정을 통해 각자의 필요에 맞춰 조절할 수 있다.
      - 레터링 맨투맨은 편안하면서도 세련된 느낌을 주는 캐주얼한 옷으로, 다양한 메시지가 담겨 있다.
      - 러닝머신은 비가 오는 날에만 사용할 수 있는 운동 기구여서, 속도와 경사를 설정할 수 없다.
  - source_sentence: 실내 농구대는 집이나 실내 공간에서 농구를 즐길 수 있도록 설계된 장비로, 공간을 절약하면서도 농구 연습 및 놀이를 가능하게 해준다.
    sentences:
      - >-
        헬스케어와 웰빙을 주제로 한 봉제 인형은 어린이들에게 스트레스를 해소하고 건강한 생활습관을 배울 수 있는 기회를 제공한다. 또한,
        이 인형은 교육적인 자료가 포함되어 있어 학습 효과를 높인다.
      - 실내 농구대는 작은 공간에서도 농구를 할 수 있게 도와주는 매우 유용한 스포츠 장비이다.
      - 실내 농구대는 외부에서만 사용할 수 있는 장비로, 실내에서는 사용할 수 없다.
  - source_sentence: >-
      다지기 기구는 재료를 효과적으로 다지고 혼합할 수 있는 주방 도구이다. 이 기구는 주로 요리 시 재료의 결합과 질감을 향상시키기 위해
      사용된다. 다지기 기구는 다양한 크기와 형태로 제공되어, 사용자의 필요에 맞게 선택할 수 있다. 이를 통해 요리의 품질을 높이고,
      조리 시간을 단축할 수 있다.
    sentences:
      - 다지기 기구는 재료를 혼합하지 않고 오히려 재료를 분리하는 주방 도구이다. 이는 요리를 할 때 전혀 도움이 되지 않는다.
      - >-
        하드캔디는 설탕이나 시럽으로 만든 단단한 과자이며, 여러 가지 맛과 색을 갖고 있어 오랫동안 즐길 수 있다. 이 과자는 간식이나
        선물용으로 많이 사용되며, 아이들과 성인들 모두에게 인기가 있다.
      - >-
        다지기 기구는 음식을 조리할 때 재료를 잘 섞고 부드럽게 만드는 데 도움을 주는 필수 주방 도구이다. 이는 요리의 맛과 질을
        개선하고, 요리 과정을 보다 효율적으로 만들어 준다.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: SentenceTransformer based on x2bee/KoModernBERT-base-mlm-ecs-simcse
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: test triplet
          type: test_triplet
        metrics:
          - type: cosine_accuracy
            value: 0.9791250228881836
            name: Cosine Accuracy

SentenceTransformer based on x2bee/KoModernBERT-base-mlm-ecs-simcse

This is a sentence-transformers model finetuned from x2bee/KoModernBERT-base-mlm-ecs-simcse. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: x2bee/KoModernBERT-base-mlm-ecs-simcse
Maximum Sequence Length: 2048 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 2048, 'do_lower_case': False}) with Transformer model: ModernBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("x2bee/ModernBERT-ecs-GIST")
# Run inference
sentences = [
    '다지기 기구는 재료를 효과적으로 다지고 혼합할 수 있는 주방 도구이다. 이 기구는 주로 요리 시 재료의 결합과 질감을 향상시키기 위해 사용된다. 다지기 기구는 다양한 크기와 형태로 제공되어, 사용자의 필요에 맞게 선택할 수 있다. 이를 통해 요리의 품질을 높이고, 조리 시간을 단축할 수 있다.',
    '다지기 기구는 음식을 조리할 때 재료를 잘 섞고 부드럽게 만드는 데 도움을 주는 필수 주방 도구이다. 이는 요리의 맛과 질을 개선하고, 요리 과정을 보다 효율적으로 만들어 준다.',
    '다지기 기구는 재료를 혼합하지 않고 오히려 재료를 분리하는 주방 도구이다. 이는 요리를 할 때 전혀 도움이 되지 않는다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

Dataset: test_triplet
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9791

Training Details

Training Dataset

Unnamed Dataset

Size: 1,799,998 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 17 tokens mean: 70.96 tokens max: 152 tokens	min: 15 tokens mean: 53.97 tokens max: 153 tokens	min: 14 tokens mean: 49.48 tokens max: 150 tokens

Samples:

anchor	positive	negative
`주방 수납 용품은 주방 내에서 조리 도구, 식기 및 기타 용품을 효율적으로 정리하고 보관할 수 있도록 도와주는 다양한 제품들이다.`	`주방용품은 요리 도구와 식기 같은 물건들을 잘 정리하고 저장하기 위해 여러 가지 방식으로 디자인된 제품이다.`	`주방 수납 용품은 조리 도구나 식기를 정리하는 데 전혀 도움이 되지 않는 제품들이다.`
`이염 방지 용품은 다양한 소재의 제품에서 발생할 수 있는 이염을 예방하기 위한 용품이다.`	`이염 방지 용품은 여러 가지 재료로 만들어진 제품에서 발생할 수 있는 색이 번지는 현상을 막기 위해 만들어진 것이다.`	`이염 방지 용품은 오직 단일한 소재의 제품에서만 사용할 수 있다.`
`차량 핸들 커버는 자동차 핸들을 보호하고 미끄럼을 방지하며, 더욱 편안한 그립감을 제공하는 제품이다.`	`자동차 핸들을 덮는 커버는 핸들의 마모를 방지하고, 운전 시 지탱력을 높이며, 쥐는 느낌을 향상시키는 용품이다.`	`차량 핸들 커버는 핸들을 보호하지 않으며, 미끄럼을 방지하는 기능이 없다.`

Loss: CachedGISTEmbedLoss with these parameters:

{'guide': SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
), 'temperature': 0.01}

Evaluation Dataset

Unnamed Dataset

Size: 200,000 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 18 tokens mean: 70.19 tokens max: 151 tokens	min: 15 tokens mean: 53.27 tokens max: 155 tokens	min: 15 tokens mean: 48.68 tokens max: 138 tokens

Samples:

anchor	positive	negative
`다중지능 평가 도구는 개인의 다양한 지능 유형을 평가하여 강점과 약점을 파악하는 데 도움을 주는 도구이다.`	`다중지능 평가 도구는 각 개인이 가진 여러 지능의 특징을 분석하여 이들의 장단점을 이해하도록 도와주는 기구다.`	`다중지능 평가 도구는 개인의 지능 유형을 전혀 평가하지 못하는 도구이다.`
`데이터베이스 설계에 관한 책은 데이터베이스 구조와 설계 원칙을 설명하는 참고서로, 효과적인 데이터 저장 및 관리 방법을 제시한다.`	`책에 담긴 내용은 데이터베이스의 설계 및 구조화 방식에 대한 정보를 제공하며, 이는 데이터의 효율적인 저장과 관리를 위한 기초 지식이다.`	`이 책은 데이터베이스 설계와 관련된 내용을 포함하고 있지 않으며, 효과적인 데이터 저장 방법을 전혀 언급하지 않는다.`
`14K, 18K 코티체 사각 컷팅 귀걸이는 고급스러운 14K 또는 18K 금으로 제작된 귀걸이로, 사각 형태의 컷팅 디자인이 특징인 세련된 액세서리이다.`	`세련된 디자인과 고급 재료로 만들어진 귀걸이는 14K 또는 18K 금으로 제작된 사각 컷 악세서리이다.`	`14K 또는 18K 금으로 만들어진 컷팅이 없는 귀걸이는 고급스럽지 않다.`

Loss: CachedGISTEmbedLoss with these parameters:

{'guide': SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
), 'temperature': 0.01}

Training Hyperparameters

Non-Default Hyperparameters

overwrite_output_dir: True
eval_strategy: steps
per_device_train_batch_size: 4096
per_device_eval_batch_size: 16
learning_rate: 1e-05
warmup_ratio: 0.2
push_to_hub: True
hub_model_id: x2bee/ModernBERT-ecs-GIST
hub_strategy: checkpoint
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: True
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 4096
per_device_eval_batch_size: 16
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 1e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 3.0
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.2
warmup_steps: 0
log_level: passive
log_level_replica: warning
log_on_each_node: True
logging_nan_inf_filter: True
save_safetensors: True
save_on_each_node: False
save_only_model: False
restore_callback_states_from_checkpoint: False
no_cuda: False
use_cpu: False
use_mps_device: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: None
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: True
dataloader_num_workers: 0
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: False
ignore_data_skip: False
fsdp: []
fsdp_min_num_params: 0
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
fsdp_transformer_layer_cls_to_wrap: None
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
dataloader_pin_memory: True
dataloader_persistent_workers: False
skip_memory_metrics: True
use_legacy_prediction_loop: False
push_to_hub: True
resume_from_checkpoint: None
hub_model_id: x2bee/ModernBERT-ecs-GIST
hub_strategy: checkpoint
hub_private_repo: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
dispatch_batches: None
split_batches: None
include_tokens_per_second: False
include_num_input_tokens_seen: False
neftune_noise_alpha: None
optim_target_modules: None
batch_eval_metrics: False
eval_on_start: False
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	test_triplet_cosine_accuracy
0.0185	1	2.3684	-	-
0.0370	2	2.3889	-	-
0.0556	3	2.3838	-	-
0.0741	4	2.3771	-	-
0.0926	5	2.3611	-	-
0.1111	6	2.3567	-	-
0.1296	7	2.3447	-	-
0.1481	8	2.3366	-	-
0.1667	9	2.2655	-	-
0.1852	10	2.2951	-	-
0.2037	11	2.2416	-	-
0.2222	12	2.2242	-	-
0.2407	13	2.1981	-	-
0.2593	14	2.1923	-	-
0.2778	15	2.0876	-	-
0.2963	16	2.0796	-	-
0.3148	17	2.0372	-	-
0.3333	18	1.9932	-	-
0.3519	19	1.9682	-	-
0.3704	20	1.9146	-	-
0.3889	21	1.8736	-	-
0.4074	22	1.8396	-	-
0.4259	23	1.7937	-	-
0.4444	24	1.7365	-	-
0.4630	25	1.6928	0.1195	0.9867
0.4815	26	1.6248	-	-
0.5	27	1.5888	-	-
0.5185	28	1.5364	-	-
0.5370	29	1.4799	-	-
0.5556	30	1.4308	-	-
0.5741	31	1.3976	-	-
0.5926	32	1.3449	-	-
0.6111	33	1.3078	-	-
0.6296	34	1.2954	-	-
0.6481	35	1.2216	-	-
0.6667	36	1.15	-	-
0.6852	37	1.1438	-	-
0.7037	38	1.1094	-	-
0.7222	39	1.0956	-	-
0.7407	40	1.0417	-	-
0.7593	41	1.0168	-	-
0.7778	42	0.9877	-	-
0.7963	43	0.98	-	-
0.8148	44	0.9519	-	-
0.8333	45	0.9394	-	-
0.8519	46	0.9178	-	-
0.8704	47	0.8871	-	-
0.8889	48	0.8571	-	-
0.9074	49	0.8474	-	-
0.9259	50	0.8474	0.0262	0.9856
0.9444	51	0.8348	-	-
0.9630	52	0.8005	-	-
0.9815	53	0.7889	-	-
1.0	54	0.7706	-	-
1.0185	55	0.7546	-	-
1.0370	56	0.7205	-	-
1.0556	57	0.7285	-	-
1.0741	58	0.7147	-	-
1.0926	59	0.6896	-	-
1.1111	60	0.6798	-	-
1.1296	61	0.6816	-	-
1.1481	62	0.6665	-	-
1.1667	63	0.6676	-	-
1.1852	64	0.6518	-	-
1.2037	65	0.6523	-	-
1.2222	66	0.6249	-	-
1.2407	67	0.6133	-	-
1.2593	68	0.6274	-	-
1.2778	69	0.6034	-	-
1.2963	70	0.5967	-	-
1.3148	71	0.5882	-	-
1.3333	72	0.5757	-	-
1.3519	73	0.5616	-	-
1.3704	74	0.5584	-	-
1.3889	75	0.5554	0.0191	0.9775
1.4074	76	0.5543	-	-
1.4259	77	0.5404	-	-
1.4444	78	0.5539	-	-
1.4630	79	0.5371	-	-
1.4815	80	0.5338	-	-
1.5	81	0.5098	-	-
1.5185	82	0.5045	-	-
1.5370	83	0.5008	-	-
1.5556	84	0.4976	-	-
1.5741	85	0.4865	-	-
1.5926	86	0.4706	-	-
1.6111	87	0.465	-	-
1.6296	88	0.4729	-	-
1.6481	89	0.4575	-	-
1.6667	90	0.4516	-	-
1.6852	91	0.453	-	-
1.7037	92	0.4306	-	-
1.7222	93	0.434	-	-
1.7407	94	0.4321	-	-
1.7593	95	0.4227	-	-
1.7778	96	0.4186	-	-
1.7963	97	0.4022	-	-
1.8148	98	0.4057	-	-
1.8333	99	0.4018	-	-
1.8519	100	0.3852	0.0139	0.9753
1.8704	101	0.389	-	-
1.8889	102	0.3801	-	-
1.9074	103	0.3896	-	-
1.9259	104	0.3759	-	-
1.9444	105	0.3614	-	-
1.9630	106	0.3616	-	-
1.9815	107	0.3422	-	-
2.0	108	0.3516	-	-
2.0185	109	0.3507	-	-
2.0370	110	0.3387	-	-
2.0556	111	0.343	-	-
2.0741	112	0.3335	-	-
2.0926	113	0.3356	-	-
2.1111	114	0.3262	-	-
2.1296	115	0.3236	-	-
2.1481	116	0.3201	-	-
2.1667	117	0.3267	-	-
2.1852	118	0.3148	-	-
2.2037	119	0.3106	-	-
2.2222	120	0.3033	-	-
2.2407	121	0.3065	-	-
2.2593	122	0.3144	-	-
2.2778	123	0.3038	-	-
2.2963	124	0.2964	-	-
2.3148	125	0.2815	0.0107	0.9766
2.3333	126	0.2997	-	-
2.3519	127	0.2863	-	-
2.3704	128	0.2809	-	-
2.3889	129	0.2786	-	-
2.4074	130	0.2878	-	-
2.4259	131	0.2736	-	-
2.4444	132	0.2786	-	-
2.4630	133	0.2695	-	-
2.4815	134	0.2731	-	-
2.5	135	0.2721	-	-
2.5185	136	0.2681	-	-
2.5370	137	0.2689	-	-
2.5556	138	0.2545	-	-
2.5741	139	0.2617	-	-
2.5926	140	0.2633	-	-
2.6111	141	0.2523	-	-
2.6296	142	0.2518	-	-
2.6481	143	0.2576	-	-
2.6667	144	0.2596	-	-
2.6852	145	0.2537	-	-
2.7037	146	0.2542	-	-
2.7222	147	0.2476	-	-
2.7407	148	0.2397	-	-
2.7593	149	0.2448	-	-
2.7778	150	0.2431	0.0084	0.9791
2.7963	151	0.2408	-	-
2.8148	152	0.2394	-	-
2.8333	153	0.2317	-	-
2.8519	154	0.2367	-	-
2.8704	155	0.2375	-	-
2.8889	156	0.2351	-	-
2.9074	157	0.2448	-	-
2.9259	158	0.229	-	-
2.9444	159	0.2274	-	-
2.9630	160	0.2313	-	-
2.9815	161	0.2269	-	-
3.0	162	0.2298	-	-

Framework Versions

Python: 3.11.10
Sentence Transformers: 3.4.1
Transformers: 4.49.0
PyTorch: 2.5.1+cu124
Accelerate: 1.4.0
Datasets: 3.3.2
Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}