Hugging Face's logo

isolation-forest
/
setfit-absa-aspect

Text Classification
setfit
Safetensors
sentence-transformers
bert
absa
generated_from_setfit_trainer
Model card Files Community
setfit-absa-aspect / README.md
isolation-forest's picture
isolation-forest
Add SetFit ABSA model
257cd82 verified
preview code
|
raw
history blame contribute delete
57 kB
metadata
library_name: setfit
tags:
  - setfit
  - absa
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
base_model: cointegrated/rubert-tiny2
metrics:
  - accuracy
widget:
  - text: >-
      плюсов -:Еще из плюсов - при заказе банкета есть специальное предложение
      по алкоголю ( можно приобрети вино , шампанское и водку по ценам
      производителя ) .
  - text: >-
      телятины:Заказала я салат , большую порцию , как ни странно его принесли в
      большом количестве , из горячего заказала стейк из телятины , мясо было
      мягким и сочным , и конечно же мое самое любимое это десерт , заказала
      тирамису , и правильно сделала , очень вкусный десерт .
  - text: >-
      бекона:Салат цезарь вся тарелка это листья салата , немного бекона по
      кругу и все это в соусе , сверху сыр ( цезарь готовится с курицей ) .
  - text: >-
      ресторан:По моей рекомендации этот ресторан посетили несколько пар моих
      друзей и также остались довольны .
  - text: блюда:Для меня же минус был в том , что сами блюда слишком специфические .
pipeline_tag: text-classification
inference: false

SetFit Aspect Model with cointegrated/rubert-tiny2

This is a SetFit model that can be used for Aspect Based Sentiment Analysis (ABSA). This SetFit model uses cointegrated/rubert-tiny2 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification. In particular, this model is in charge of filtering aspect span candidates.

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.

This model was trained within the context of a larger system for ABSA, which looks like so:

  1. Use a spaCy model to select possible aspect span candidates.
  2. Use this SetFit model to filter these possible aspect span candidates.
  3. Use a SetFit model to classify the filtered aspect span candidates.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
aspect
  • 'порции:И порции " достойные " .'
  • 'официантка:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'
  • 'Обслуживание:Обслуживание не впечатлило .'
no aspect
  • 'итоге:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'
  • 'счет:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'
  • 'пункта:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'

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 AbsaModel

# Download from the 🤗 Hub
model = AbsaModel.from_pretrained(
    "isolation-forest/setfit-absa-aspect",
    "isolation-forest/setfit-absa-polarity",
)
# Run inference
preds = model("The food was great, but the venue is just way too busy.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 2 31.9677 88
Label Training Sample Count
no aspect 797
aspect 256

Training Hyperparameters

  • batch_size: (16, 2)
  • num_epochs: (1, 16)
  • 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
0.0000 1 0.25 -
0.0011 50 0.1976 -
0.0023 100 0.2289 -
0.0034 150 0.2826 -
0.0046 200 0.2361 -
0.0057 250 0.2766 -
0.0068 300 0.2723 -
0.0080 350 0.2402 -
0.0091 400 0.2678 -
0.0103 450 0.2511 -
0.0114 500 0.21 -
0.0125 550 0.2503 -
0.0137 600 0.2614 -
0.0148 650 0.218 -
0.0160 700 0.2482 -
0.0171 750 0.2091 -
0.0182 800 0.2477 -
0.0194 850 0.2531 -
0.0205 900 0.1878 -
0.0217 950 0.2416 -
0.0228 1000 0.2245 -
0.0239 1050 0.2367 -
0.0251 1100 0.2376 -
0.0262 1150 0.2271 -
0.0274 1200 0.228 -
0.0285 1250 0.2362 -
0.0296 1300 0.2308 -
0.0308 1350 0.2326 -
0.0319 1400 0.2535 -
0.0331 1450 0.177 -
0.0342 1500 0.2595 -
0.0353 1550 0.2289 -
0.0365 1600 0.2378 -
0.0376 1650 0.2111 -
0.0388 1700 0.2556 -
0.0399 1750 0.2054 -
0.0410 1800 0.1949 -
0.0422 1850 0.2065 -
0.0433 1900 0.1907 -
0.0445 1950 0.2325 -
0.0456 2000 0.2313 -
0.0467 2050 0.1713 -
0.0479 2100 0.1786 -
0.0490 2150 0.2258 -
0.0502 2200 0.1102 -
0.0513 2250 0.1714 -
0.0524 2300 0.2325 -
0.0536 2350 0.2287 -
0.0547 2400 0.2901 -
0.0559 2450 0.1763 -
0.0570 2500 0.223 -
0.0581 2550 0.0784 -
0.0593 2600 0.2069 -
0.0604 2650 0.1353 -
0.0616 2700 0.1729 -
0.0627 2750 0.1753 -
0.0638 2800 0.2243 -
0.0650 2850 0.1151 -
0.0661 2900 0.2547 -
0.0673 2950 0.1414 -
0.0684 3000 0.1771 -
0.0695 3050 0.1275 -
0.0707 3100 0.0541 -
0.0718 3150 0.0962 -
0.0730 3200 0.1953 -
0.0741 3250 0.0787 -
0.0752 3300 0.0766 -
0.0764 3350 0.1537 -
0.0775 3400 0.0957 -
0.0787 3450 0.0975 -
0.0798 3500 0.0359 -
0.0809 3550 0.0402 -
0.0821 3600 0.0377 -
0.0832 3650 0.0486 -
0.0844 3700 0.1206 -
0.0855 3750 0.0504 -
0.0866 3800 0.1072 -
0.0878 3850 0.0838 -
0.0889 3900 0.1222 -
0.0901 3950 0.0463 -
0.0912 4000 0.0781 -
0.0923 4050 0.031 -
0.0935 4100 0.1063 -
0.0946 4150 0.0643 -
0.0958 4200 0.0624 -
0.0969 4250 0.0283 -
0.0980 4300 0.0527 -
0.0992 4350 0.0153 -
0.1003 4400 0.0765 -
0.1015 4450 0.0245 -
0.1026 4500 0.0494 -
0.1037 4550 0.0218 -
0.1049 4600 0.0086 -
0.1060 4650 0.0245 -
0.1072 4700 0.0047 -
0.1083 4750 0.0284 -
0.1094 4800 0.0045 -
0.1106 4850 0.0683 -
0.1117 4900 0.0234 -
0.1129 4950 0.0584 -
0.1140 5000 0.1212 -
0.1151 5050 0.0052 -
0.1163 5100 0.065 -
0.1174 5150 0.003 -
0.1186 5200 0.0937 -
0.1197 5250 0.0038 -
0.1208 5300 0.0061 -
0.1220 5350 0.0038 -
0.1231 5400 0.0674 -
0.1243 5450 0.0039 -
0.1254 5500 0.0088 -
0.1265 5550 0.0028 -
0.1277 5600 0.0031 -
0.1288 5650 0.0035 -
0.1300 5700 0.0545 -
0.1311 5750 0.0021 -
0.1322 5800 0.0056 -
0.1334 5850 0.0019 -
0.1345 5900 0.0023 -
0.1356 5950 0.0595 -
0.1368 6000 0.0019 -
0.1379 6050 0.0031 -
0.1391 6100 0.0025 -
0.1402 6150 0.0026 -
0.1413 6200 0.0032 -
0.1425 6250 0.0019 -
0.1436 6300 0.0761 -
0.1448 6350 0.0446 -
0.1459 6400 0.002 -
0.1470 6450 0.008 -
0.1482 6500 0.0044 -
0.1493 6550 0.0024 -
0.1505 6600 0.0026 -
0.1516 6650 0.0477 -
0.1527 6700 0.0023 -
0.1539 6750 0.0024 -
0.1550 6800 0.0016 -
0.1562 6850 0.0023 -
0.1573 6900 0.0017 -
0.1584 6950 0.0026 -
0.1596 7000 0.0602 -
0.1607 7050 0.002 -
0.1619 7100 0.0014 -
0.1630 7150 0.0019 -
0.1641 7200 0.0019 -
0.1653 7250 0.0021 -
0.1664 7300 0.0563 -
0.1676 7350 0.0017 -
0.1687 7400 0.0019 -
0.1698 7450 0.0017 -
0.1710 7500 0.0014 -
0.1721 7550 0.002 -
0.1733 7600 0.0028 -
0.1744 7650 0.002 -
0.1755 7700 0.0021 -
0.1767 7750 0.002 -
0.1778 7800 0.0017 -
0.1790 7850 0.0579 -
0.1801 7900 0.0089 -
0.1812 7950 0.0016 -
0.1824 8000 0.104 -
0.1835 8050 0.0241 -
0.1847 8100 0.0015 -
0.1858 8150 0.0039 -
0.1869 8200 0.0018 -
0.1881 8250 0.0018 -
0.1892 8300 0.0012 -
0.1904 8350 0.0015 -
0.1915 8400 0.0016 -
0.1926 8450 0.0017 -
0.1938 8500 0.0647 -
0.1949 8550 0.0013 -
0.1961 8600 0.0014 -
0.1972 8650 0.1705 -
0.1983 8700 0.0036 -
0.1995 8750 0.0014 -
0.2006 8800 0.0021 -
0.2018 8850 0.0019 -
0.2029 8900 0.0018 -
0.2040 8950 0.0018 -
0.2052 9000 0.001 -
0.2063 9050 0.0012 -
0.2075 9100 0.0013 -
0.2086 9150 0.0014 -
0.2097 9200 0.0609 -
0.2109 9250 0.0026 -
0.2120 9300 0.0012 -
0.2132 9350 0.0023 -
0.2143 9400 0.0043 -
0.2154 9450 0.0511 -
0.2166 9500 0.0012 -
0.2177 9550 0.002 -
0.2189 9600 0.0016 -
0.2200 9650 0.0124 -
0.2211 9700 0.0046 -
0.2223 9750 0.0012 -
0.2234 9800 0.0014 -
0.2246 9850 0.0016 -
0.2257 9900 0.0596 -
0.2268 9950 0.0013 -
0.2280 10000 0.0021 -
0.2291 10050 0.0012 -
0.2303 10100 0.057 -
0.2314 10150 0.0028 -
0.2325 10200 0.0014 -
0.2337 10250 0.0014 -
0.2348 10300 0.0019 -
0.2360 10350 0.0014 -
0.2371 10400 0.0015 -
0.2382 10450 0.0569 -
0.2394 10500 0.0012 -
0.2405 10550 0.0023 -
0.2417 10600 0.0013 -
0.2428 10650 0.0011 -
0.2439 10700 0.0191 -
0.2451 10750 0.0015 -
0.2462 10800 0.0022 -
0.2474 10850 0.0547 -
0.2485 10900 0.003 -
0.2496 10950 0.0013 -
0.2508 11000 0.0018 -
0.2519 11050 0.0016 -
0.2531 11100 0.0013 -
0.2542 11150 0.0019 -
0.2553 11200 0.0011 -
0.2565 11250 0.0555 -
0.2576 11300 0.0012 -
0.2588 11350 0.0016 -
0.2599 11400 0.004 -
0.2610 11450 0.0014 -
0.2622 11500 0.0016 -
0.2633 11550 0.0037 -
0.2645 11600 0.0014 -
0.2656 11650 0.0252 -
0.2667 11700 0.0011 -
0.2679 11750 0.0013 -
0.2690 11800 0.0552 -
0.2702 11850 0.0019 -
0.2713 11900 0.0009 -
0.2724 11950 0.0015 -
0.2736 12000 0.0362 -
0.2747 12050 0.001 -
0.2759 12100 0.0022 -
0.2770 12150 0.0013 -
0.2781 12200 0.0013 -
0.2793 12250 0.001 -
0.2804 12300 0.0027 -
0.2816 12350 0.0013 -
0.2827 12400 0.0014 -
0.2838 12450 0.001 -
0.2850 12500 0.0014 -
0.2861 12550 0.0014 -
0.2873 12600 0.0407 -
0.2884 12650 0.0009 -
0.2895 12700 0.0014 -
0.2907 12750 0.001 -
0.2918 12800 0.0011 -
0.2930 12850 0.0012 -
0.2941 12900 0.0011 -
0.2952 12950 0.0016 -
0.2964 13000 0.0012 -
0.2975 13050 0.001 -
0.2987 13100 0.0026 -
0.2998 13150 0.0015 -
0.3009 13200 0.0022 -
0.3021 13250 0.0007 -
0.3032 13300 0.001 -
0.3044 13350 0.0012 -
0.3055 13400 0.0019 -
0.3066 13450 0.0016 -
0.3078 13500 0.0938 -
0.3089 13550 0.0009 -
0.3101 13600 0.0016 -
0.3112 13650 0.0014 -
0.3123 13700 0.032 -
0.3135 13750 0.0013 -
0.3146 13800 0.0219 -
0.3158 13850 0.0012 -
0.3169 13900 0.0012 -
0.3180 13950 0.0214 -
0.3192 14000 0.001 -
0.3203 14050 0.0033 -
0.3215 14100 0.0009 -
0.3226 14150 0.001 -
0.3237 14200 0.001 -
0.3249 14250 0.0014 -
0.3260 14300 0.0075 -
0.3272 14350 0.0015 -
0.3283 14400 0.0018 -
0.3294 14450 0.0011 -
0.3306 14500 0.0008 -
0.3317 14550 0.0381 -
0.3329 14600 0.0007 -
0.3340 14650 0.0009 -
0.3351 14700 0.001 -
0.3363 14750 0.0011 -
0.3374 14800 0.0304 -
0.3386 14850 0.0008 -
0.3397 14900 0.0007 -
0.3408 14950 0.0013 -
0.3420 15000 0.0135 -
0.3431 15050 0.001 -
0.3443 15100 0.0007 -
0.3454 15150 0.0008 -
0.3465 15200 0.0018 -
0.3477 15250 0.0009 -
0.3488 15300 0.0013 -
0.3500 15350 0.0018 -
0.3511 15400 0.0014 -
0.3522 15450 0.0051 -
0.3534 15500 0.0009 -
0.3545 15550 0.0007 -
0.3557 15600 0.0006 -
0.3568 15650 0.001 -
0.3579 15700 0.001 -
0.3591 15750 0.0015 -
0.3602 15800 0.0006 -
0.3614 15850 0.0005 -
0.3625 15900 0.0009 -
0.3636 15950 0.0052 -
0.3648 16000 0.0006 -
0.3659 16050 0.0013 -
0.3671 16100 0.001 -
0.3682 16150 0.0007 -
0.3693 16200 0.001 -
0.3705 16250 0.0008 -
0.3716 16300 0.0006 -
0.3728 16350 0.0026 -
0.3739 16400 0.0012 -
0.3750 16450 0.0008 -
0.3762 16500 0.0008 -
0.3773 16550 0.001 -
0.3785 16600 0.0289 -
0.3796 16650 0.0012 -
0.3807 16700 0.0007 -
0.3819 16750 0.0009 -
0.3830 16800 0.0006 -
0.3842 16850 0.0007 -
0.3853 16900 0.0008 -
0.3864 16950 0.0007 -
0.3876 17000 0.0011 -
0.3887 17050 0.0032 -
0.3899 17100 0.0009 -
0.3910 17150 0.0007 -
0.3921 17200 0.0008 -
0.3933 17250 0.0008 -
0.3944 17300 0.0007 -
0.3955 17350 0.0012 -
0.3967 17400 0.0044 -
0.3978 17450 0.0006 -
0.3990 17500 0.0006 -
0.4001 17550 0.0006 -
0.4012 17600 0.002 -
0.4024 17650 0.0007 -
0.4035 17700 0.0005 -
0.4047 17750 0.0005 -
0.4058 17800 0.0005 -
0.4069 17850 0.0013 -
0.4081 17900 0.0004 -
0.4092 17950 0.0005 -
0.4104 18000 0.0007 -
0.4115 18050 0.0007 -
0.4126 18100 0.0007 -
0.4138 18150 0.0006 -
0.4149 18200 0.0004 -
0.4161 18250 0.0005 -
0.4172 18300 0.0307 -
0.4183 18350 0.001 -
0.4195 18400 0.0012 -
0.4206 18450 0.0007 -
0.4218 18500 0.0007 -
0.4229 18550 0.001 -
0.4240 18600 0.0006 -
0.4252 18650 0.0195 -
0.4263 18700 0.0583 -
0.4275 18750 0.0005 -
0.4286 18800 0.0011 -
0.4297 18850 0.0006 -
0.4309 18900 0.0007 -
0.4320 18950 0.0005 -
0.4332 19000 0.0005 -
0.4343 19050 0.0007 -
0.4354 19100 0.0008 -
0.4366 19150 0.0006 -
0.4377 19200 0.0007 -
0.4389 19250 0.0005 -
0.4400 19300 0.0004 -
0.4411 19350 0.0005 -
0.4423 19400 0.0006 -
0.4434 19450 0.0006 -
0.4446 19500 0.0005 -
0.4457 19550 0.0006 -
0.4468 19600 0.0005 -
0.4480 19650 0.0013 -
0.4491 19700 0.0006 -
0.4503 19750 0.0006 -
0.4514 19800 0.0095 -
0.4525 19850 0.0066 -
0.4537 19900 0.0005 -
0.4548 19950 0.0008 -
0.4560 20000 0.0006 -
0.4571 20050 0.0005 -
0.4582 20100 0.0004 -
0.4594 20150 0.0151 -
0.4605 20200 0.0004 -
0.4617 20250 0.001 -
0.4628 20300 0.0005 -
0.4639 20350 0.0007 -
0.4651 20400 0.0239 -
0.4662 20450 0.0009 -
0.4674 20500 0.0005 -
0.4685 20550 0.0008 -
0.4696 20600 0.0005 -
0.4708 20650 0.0006 -
0.4719 20700 0.0004 -
0.4731 20750 0.0005 -
0.4742 20800 0.0049 -
0.4753 20850 0.0007 -
0.4765 20900 0.0005 -
0.4776 20950 0.0018 -
0.4788 21000 0.0006 -
0.4799 21050 0.0008 -
0.4810 21100 0.0008 -
0.4822 21150 0.0225 -
0.4833 21200 0.0011 -
0.4845 21250 0.0005 -
0.4856 21300 0.0006 -
0.4867 21350 0.0004 -
0.4879 21400 0.0008 -
0.4890 21450 0.001 -
0.4902 21500 0.0004 -
0.4913 21550 0.0008 -
0.4924 21600 0.0008 -
0.4936 21650 0.0006 -
0.4947 21700 0.0008 -
0.4959 21750 0.0004 -
0.4970 21800 0.011 -
0.4981 21850 0.0007 -
0.4993 21900 0.0004 -
0.5004 21950 0.031 -
0.5016 22000 0.0102 -
0.5027 22050 0.0009 -
0.5038 22100 0.0089 -
0.5050 22150 0.0007 -
0.5061 22200 0.0006 -
0.5073 22250 0.0004 -
0.5084 22300 0.0004 -
0.5095 22350 0.0007 -
0.5107 22400 0.0004 -
0.5118 22450 0.0004 -
0.5130 22500 0.006 -
0.5141 22550 0.0008 -
0.5152 22600 0.0007 -
0.5164 22650 0.0007 -
0.5175 22700 0.0007 -
0.5187 22750 0.0003 -
0.5198 22800 0.0005 -
0.5209 22850 0.0006 -
0.5221 22900 0.0005 -
0.5232 22950 0.0324 -
0.5244 23000 0.017 -
0.5255 23050 0.0126 -
0.5266 23100 0.0005 -
0.5278 23150 0.0151 -
0.5289 23200 0.0005 -
0.5301 23250 0.0003 -
0.5312 23300 0.0004 -
0.5323 23350 0.011 -
0.5335 23400 0.0003 -
0.5346 23450 0.0006 -
0.5358 23500 0.0006 -
0.5369 23550 0.0007 -
0.5380 23600 0.0031 -
0.5392 23650 0.0005 -
0.5403 23700 0.0003 -
0.5415 23750 0.0003 -
0.5426 23800 0.0341 -
0.5437 23850 0.0004 -
0.5449 23900 0.0008 -
0.5460 23950 0.0008 -
0.5472 24000 0.0005 -
0.5483 24050 0.0003 -
0.5494 24100 0.0006 -
0.5506 24150 0.0007 -
0.5517 24200 0.001 -
0.5529 24250 0.0004 -
0.5540 24300 0.0004 -
0.5551 24350 0.0005 -
0.5563 24400 0.0004 -
0.5574 24450 0.0003 -
0.5586 24500 0.0007 -
0.5597 24550 0.0004 -
0.5608 24600 0.0005 -
0.5620 24650 0.0004 -
0.5631 24700 0.0004 -
0.5643 24750 0.0005 -
0.5654 24800 0.0008 -
0.5665 24850 0.0006 -
0.5677 24900 0.0006 -
0.5688 24950 0.0003 -
0.5700 25000 0.0005 -
0.5711 25050 0.0007 -
0.5722 25100 0.0004 -
0.5734 25150 0.0004 -
0.5745 25200 0.0303 -
0.5757 25250 0.0223 -
0.5768 25300 0.0008 -
0.5779 25350 0.0254 -
0.5791 25400 0.0006 -
0.5802 25450 0.0004 -
0.5814 25500 0.0003 -
0.5825 25550 0.0007 -
0.5836 25600 0.0425 -
0.5848 25650 0.0354 -
0.5859 25700 0.0006 -
0.5871 25750 0.0146 -
0.5882 25800 0.0006 -
0.5893 25850 0.0005 -
0.5905 25900 0.0004 -
0.5916 25950 0.0004 -
0.5928 26000 0.0007 -
0.5939 26050 0.0008 -
0.5950 26100 0.001 -
0.5962 26150 0.0003 -
0.5973 26200 0.0006 -
0.5985 26250 0.0003 -
0.5996 26300 0.0006 -
0.6007 26350 0.0007 -
0.6019 26400 0.0007 -
0.6030 26450 0.0287 -
0.6042 26500 0.0003 -
0.6053 26550 0.0323 -
0.6064 26600 0.0007 -
0.6076 26650 0.0002 -
0.6087 26700 0.0004 -
0.6099 26750 0.0003 -
0.6110 26800 0.0041 -
0.6121 26850 0.0005 -
0.6133 26900 0.0003 -
0.6144 26950 0.0003 -
0.6156 27000 0.0003 -
0.6167 27050 0.0007 -
0.6178 27100 0.0003 -
0.6190 27150 0.0003 -
0.6201 27200 0.0008 -
0.6213 27250 0.0004 -
0.6224 27300 0.0003 -
0.6235 27350 0.0003 -
0.6247 27400 0.0007 -
0.6258 27450 0.0006 -
0.6270 27500 0.0008 -
0.6281 27550 0.0004 -
0.6292 27600 0.0004 -
0.6304 27650 0.0006 -
0.6315 27700 0.0004 -
0.6327 27750 0.0003 -
0.6338 27800 0.0008 -
0.6349 27850 0.0005 -
0.6361 27900 0.0121 -
0.6372 27950 0.0006 -
0.6384 28000 0.0004 -
0.6395 28050 0.001 -
0.6406 28100 0.0002 -
0.6418 28150 0.0006 -
0.6429 28200 0.0004 -
0.6441 28250 0.0005 -
0.6452 28300 0.0004 -
0.6463 28350 0.0006 -
0.6475 28400 0.001 -
0.6486 28450 0.0004 -
0.6498 28500 0.0337 -
0.6509 28550 0.0009 -
0.6520 28600 0.0003 -
0.6532 28650 0.0003 -
0.6543 28700 0.0005 -
0.6554 28750 0.0003 -
0.6566 28800 0.0008 -
0.6577 28850 0.0002 -
0.6589 28900 0.0038 -
0.6600 28950 0.0007 -
0.6611 29000 0.0003 -
0.6623 29050 0.0003 -
0.6634 29100 0.0003 -
0.6646 29150 0.0003 -
0.6657 29200 0.0422 -
0.6668 29250 0.0004 -
0.6680 29300 0.0002 -
0.6691 29350 0.0006 -
0.6703 29400 0.0006 -
0.6714 29450 0.0004 -
0.6725 29500 0.0004 -
0.6737 29550 0.0003 -
0.6748 29600 0.0004 -
0.6760 29650 0.0003 -
0.6771 29700 0.0008 -
0.6782 29750 0.0003 -
0.6794 29800 0.0005 -
0.6805 29850 0.0007 -
0.6817 29900 0.0004 -
0.6828 29950 0.0003 -
0.6839 30000 0.0002 -
0.6851 30050 0.0004 -
0.6862 30100 0.0005 -
0.6874 30150 0.0007 -
0.6885 30200 0.0005 -
0.6896 30250 0.0002 -
0.6908 30300 0.0004 -
0.6919 30350 0.0007 -
0.6931 30400 0.0012 -
0.6942 30450 0.0006 -
0.6953 30500 0.0006 -
0.6965 30550 0.0004 -
0.6976 30600 0.0004 -
0.6988 30650 0.0003 -
0.6999 30700 0.0005 -
0.7010 30750 0.0007 -
0.7022 30800 0.0003 -
0.7033 30850 0.0005 -
0.7045 30900 0.0003 -
0.7056 30950 0.0002 -
0.7067 31000 0.0002 -
0.7079 31050 0.0005 -
0.7090 31100 0.0003 -
0.7102 31150 0.0002 -
0.7113 31200 0.0006 -
0.7124 31250 0.0004 -
0.7136 31300 0.0003 -
0.7147 31350 0.0003 -
0.7159 31400 0.0002 -
0.7170 31450 0.0003 -
0.7181 31500 0.0002 -
0.7193 31550 0.0004 -
0.7204 31600 0.0006 -
0.7216 31650 0.0007 -
0.7227 31700 0.0004 -
0.7238 31750 0.0003 -
0.7250 31800 0.0002 -
0.7261 31850 0.0004 -
0.7273 31900 0.0006 -
0.7284 31950 0.0004 -
0.7295 32000 0.0005 -
0.7307 32050 0.0011 -
0.7318 32100 0.0003 -
0.7330 32150 0.0004 -
0.7341 32200 0.0551 -
0.7352 32250 0.0006 -
0.7364 32300 0.0004 -
0.7375 32350 0.0005 -
0.7387 32400 0.0004 -
0.7398 32450 0.0007 -
0.7409 32500 0.0003 -
0.7421 32550 0.0007 -
0.7432 32600 0.0003 -
0.7444 32650 0.0007 -
0.7455 32700 0.0006 -
0.7466 32750 0.0006 -
0.7478 32800 0.0003 -
0.7489 32850 0.0005 -
0.7501 32900 0.0004 -
0.7512 32950 0.0007 -
0.7523 33000 0.0002 -
0.7535 33050 0.0008 -
0.7546 33100 0.0004 -
0.7558 33150 0.0002 -
0.7569 33200 0.0006 -
0.7580 33250 0.0046 -
0.7592 33300 0.0005 -
0.7603 33350 0.0003 -
0.7615 33400 0.0125 -
0.7626 33450 0.0006 -
0.7637 33500 0.0063 -
0.7649 33550 0.0008 -
0.7660 33600 0.0004 -
0.7672 33650 0.0037 -
0.7683 33700 0.0005 -
0.7694 33750 0.0006 -
0.7706 33800 0.0006 -
0.7717 33850 0.012 -
0.7729 33900 0.0005 -
0.7740 33950 0.0005 -
0.7751 34000 0.0005 -
0.7763 34050 0.0003 -
0.7774 34100 0.0004 -
0.7786 34150 0.0003 -
0.7797 34200 0.0003 -
0.7808 34250 0.0088 -
0.7820 34300 0.0004 -
0.7831 34350 0.0002 -
0.7843 34400 0.0004 -
0.7854 34450 0.0082 -
0.7865 34500 0.0005 -
0.7877 34550 0.0005 -
0.7888 34600 0.0004 -
0.7900 34650 0.0003 -
0.7911 34700 0.0006 -
0.7922 34750 0.0006 -
0.7934 34800 0.0002 -
0.7945 34850 0.0003 -
0.7957 34900 0.0005 -
0.7968 34950 0.0003 -
0.7979 35000 0.0004 -
0.7991 35050 0.0003 -
0.8002 35100 0.0002 -
0.8014 35150 0.0094 -
0.8025 35200 0.0004 -
0.8036 35250 0.0004 -
0.8048 35300 0.0245 -
0.8059 35350 0.0006 -
0.8071 35400 0.0004 -
0.8082 35450 0.0004 -
0.8093 35500 0.0003 -
0.8105 35550 0.0007 -
0.8116 35600 0.0266 -
0.8128 35650 0.0005 -
0.8139 35700 0.0003 -
0.8150 35750 0.0092 -
0.8162 35800 0.0004 -
0.8173 35850 0.0002 -
0.8185 35900 0.0004 -
0.8196 35950 0.0003 -
0.8207 36000 0.0002 -
0.8219 36050 0.0003 -
0.8230 36100 0.0002 -
0.8242 36150 0.0006 -
0.8253 36200 0.0003 -
0.8264 36250 0.0002 -
0.8276 36300 0.0002 -
0.8287 36350 0.0002 -
0.8299 36400 0.0002 -
0.8310 36450 0.0004 -
0.8321 36500 0.001 -
0.8333 36550 0.0134 -
0.8344 36600 0.0007 -
0.8356 36650 0.0005 -
0.8367 36700 0.0004 -
0.8378 36750 0.0003 -
0.8390 36800 0.007 -
0.8401 36850 0.0002 -
0.8413 36900 0.0005 -
0.8424 36950 0.0002 -
0.8435 37000 0.0002 -
0.8447 37050 0.0003 -
0.8458 37100 0.0002 -
0.8470 37150 0.003 -
0.8481 37200 0.0003 -
0.8492 37250 0.0002 -
0.8504 37300 0.0011 -
0.8515 37350 0.0015 -
0.8527 37400 0.0002 -
0.8538 37450 0.0004 -
0.8549 37500 0.0005 -
0.8561 37550 0.0004 -
0.8572 37600 0.0085 -
0.8584 37650 0.0002 -
0.8595 37700 0.0003 -
0.8606 37750 0.0002 -
0.8618 37800 0.0002 -
0.8629 37850 0.0042 -
0.8641 37900 0.0006 -
0.8652 37950 0.0133 -
0.8663 38000 0.0003 -
0.8675 38050 0.0003 -
0.8686 38100 0.0003 -
0.8698 38150 0.0002 -
0.8709 38200 0.0359 -
0.8720 38250 0.001 -
0.8732 38300 0.0004 -
0.8743 38350 0.0002 -
0.8755 38400 0.0004 -
0.8766 38450 0.0005 -
0.8777 38500 0.0005 -
0.8789 38550 0.0003 -
0.8800 38600 0.0078 -
0.8812 38650 0.0002 -
0.8823 38700 0.0006 -
0.8834 38750 0.0002 -
0.8846 38800 0.0005 -
0.8857 38850 0.0355 -
0.8869 38900 0.0006 -
0.8880 38950 0.0003 -
0.8891 39000 0.0003 -
0.8903 39050 0.0002 -
0.8914 39100 0.0004 -
0.8926 39150 0.0002 -
0.8937 39200 0.0011 -
0.8948 39250 0.0003 -
0.8960 39300 0.0305 -
0.8971 39350 0.0002 -
0.8983 39400 0.0069 -
0.8994 39450 0.0002 -
0.9005 39500 0.0004 -
0.9017 39550 0.0003 -
0.9028 39600 0.0002 -
0.9040 39650 0.0002 -
0.9051 39700 0.0007 -
0.9062 39750 0.0002 -
0.9074 39800 0.0004 -
0.9085 39850 0.0008 -
0.9097 39900 0.0002 -
0.9108 39950 0.0004 -
0.9119 40000 0.0156 -
0.9131 40050 0.0007 -
0.9142 40100 0.0003 -
0.9154 40150 0.0006 -
0.9165 40200 0.0074 -
0.9176 40250 0.0075 -
0.9188 40300 0.0002 -
0.9199 40350 0.0006 -
0.9210 40400 0.0004 -
0.9222 40450 0.0004 -
0.9233 40500 0.0002 -
0.9245 40550 0.0008 -
0.9256 40600 0.0002 -
0.9267 40650 0.0003 -
0.9279 40700 0.0005 -
0.9290 40750 0.0104 -
0.9302 40800 0.0002 -
0.9313 40850 0.0003 -
0.9324 40900 0.0005 -
0.9336 40950 0.0003 -
0.9347 41000 0.0002 -
0.9359 41050 0.0002 -
0.9370 41100 0.0004 -
0.9381 41150 0.0285 -
0.9393 41200 0.0067 -
0.9404 41250 0.0004 -
0.9416 41300 0.0004 -
0.9427 41350 0.0002 -
0.9438 41400 0.0006 -
0.9450 41450 0.0003 -
0.9461 41500 0.0008 -
0.9473 41550 0.0004 -
0.9484 41600 0.0003 -
0.9495 41650 0.0005 -
0.9507 41700 0.0005 -
0.9518 41750 0.0002 -
0.9530 41800 0.0004 -
0.9541 41850 0.0003 -
0.9552 41900 0.0006 -
0.9564 41950 0.0006 -
0.9575 42000 0.0002 -
0.9587 42050 0.0002 -
0.9598 42100 0.0002 -
0.9609 42150 0.0068 -
0.9621 42200 0.007 -
0.9632 42250 0.0265 -
0.9644 42300 0.0004 -
0.9655 42350 0.0002 -
0.9666 42400 0.0005 -
0.9678 42450 0.0004 -
0.9689 42500 0.0063 -
0.9701 42550 0.0004 -
0.9712 42600 0.0002 -
0.9723 42650 0.0002 -
0.9735 42700 0.0003 -
0.9746 42750 0.0007 -
0.9758 42800 0.0004 -
0.9769 42850 0.0082 -
0.9780 42900 0.0004 -
0.9792 42950 0.031 -
0.9803 43000 0.0004 -
0.9815 43050 0.0047 -
0.9826 43100 0.0003 -
0.9837 43150 0.0003 -
0.9849 43200 0.0005 -
0.9860 43250 0.0003 -
0.9872 43300 0.0002 -
0.9883 43350 0.0005 -
0.9894 43400 0.0003 -
0.9906 43450 0.0007 -
0.9917 43500 0.0003 -
0.9929 43550 0.0003 -
0.9940 43600 0.0006 -
0.9951 43650 0.001 -
0.9963 43700 0.0006 -
0.9974 43750 0.0002 -
0.9986 43800 0.0003 -
0.9997 43850 0.0005 -

Framework Versions

  • Python: 3.10.13
  • SetFit: 1.0.3
  • Sentence Transformers: 2.7.0
  • spaCy: 3.7.2
  • Transformers: 4.39.3
  • PyTorch: 2.1.2
  • Datasets: 2.18.0
  • 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}
}