Model Card of vocabtrimmer/mt5-small-trimmed-it-5000-itquad-qa

This model is fine-tuned version of vocabtrimmer/mt5-small-trimmed-it-5000 for question answering task on the lmqg/qg_itquad (dataset_name: default) via lmqg.

Overview

Usage

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="it", model="vocabtrimmer/mt5-small-trimmed-it-5000-itquad-qa")

# model prediction
answers = model.answer_q(list_question="Quale batterio ha il nome del paese che colpisce di più nel suo nome?", list_context=" Il complesso M. tubercolosi (MTBC) comprende altri quattro micobatteri causa di tubercolosi: M. bovis, M. africanum, M. canetti e M. microti. M. africanum non è molto diffuso, ma è una causa significativa di tubercolosi in alcune parti dell' Africa. M. bovis era una volta una causa comune della tubercolosi, ma l' introduzione del latte pastorizzato ha quasi completamente eliminato questo problema di salute pubblica nei paesi sviluppati. M. canetti è raro e sembra essere limitato al Corno d' Africa, anche se alcuni casi sono stati osservati negli emigranti africani. M. microti è anche raro ed è visto quasi solo in persone immunodeficienti, anche se la sua prevalenza può essere significativamente sottovalutata.")
  • With transformers
from transformers import pipeline

pipe = pipeline("text2text-generation", "vocabtrimmer/mt5-small-trimmed-it-5000-itquad-qa")
output = pipe("question: Quale batterio ha il nome del paese che colpisce di più nel suo nome?, context: Il complesso M. tubercolosi (MTBC) comprende altri quattro micobatteri causa di tubercolosi: M. bovis, M. africanum, M. canetti e M. microti. M. africanum non è molto diffuso, ma è una causa significativa di tubercolosi in alcune parti dell' Africa. M. bovis era una volta una causa comune della tubercolosi, ma l' introduzione del latte pastorizzato ha quasi completamente eliminato questo problema di salute pubblica nei paesi sviluppati. M. canetti è raro e sembra essere limitato al Corno d' Africa, anche se alcuni casi sono stati osservati negli emigranti africani. M. microti è anche raro ed è visto quasi solo in persone immunodeficienti, anche se la sua prevalenza può essere significativamente sottovalutata.")

Evaluation

Score Type Dataset
AnswerExactMatch 43.69 default lmqg/qg_itquad
AnswerF1Score 57.63 default lmqg/qg_itquad
BERTScore 91.55 default lmqg/qg_itquad
Bleu_1 27.26 default lmqg/qg_itquad
Bleu_2 21.84 default lmqg/qg_itquad
Bleu_3 18.34 default lmqg/qg_itquad
Bleu_4 15.31 default lmqg/qg_itquad
METEOR 29.32 default lmqg/qg_itquad
MoverScore 77.25 default lmqg/qg_itquad
ROUGE_L 33.11 default lmqg/qg_itquad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

  • dataset_path: lmqg/qg_itquad
  • dataset_name: default
  • input_types: ['paragraph_question']
  • output_types: ['answer']
  • prefix_types: None
  • model: vocabtrimmer/mt5-small-trimmed-it-5000
  • max_length: 512
  • max_length_output: 32
  • epoch: 21
  • batch: 32
  • lr: 0.0001
  • fp16: False
  • random_seed: 1
  • gradient_accumulation_steps: 2
  • label_smoothing: 0.15

The full configuration can be found at fine-tuning config file.

Citation

@inproceedings{ushio-etal-2022-generative,
    title = "{G}enerative {L}anguage {M}odels for {P}aragraph-{L}evel {Q}uestion {G}eneration",
    author = "Ushio, Asahi  and
        Alva-Manchego, Fernando  and
        Camacho-Collados, Jose",
    booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
    month = dec,
    year = "2022",
    address = "Abu Dhabi, U.A.E.",
    publisher = "Association for Computational Linguistics",
}
Downloads last month
14
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.

Dataset used to train vocabtrimmer/mt5-small-trimmed-it-5000-itquad-qa

Evaluation results

  • BLEU4 (Question Answering) on lmqg/qg_itquad
    self-reported
    15.310
  • ROUGE-L (Question Answering) on lmqg/qg_itquad
    self-reported
    33.110
  • METEOR (Question Answering) on lmqg/qg_itquad
    self-reported
    29.320
  • BERTScore (Question Answering) on lmqg/qg_itquad
    self-reported
    91.550
  • MoverScore (Question Answering) on lmqg/qg_itquad
    self-reported
    77.250
  • AnswerF1Score (Question Answering) on lmqg/qg_itquad
    self-reported
    57.630
  • AnswerExactMatch (Question Answering) on lmqg/qg_itquad
    self-reported
    43.690