README.md

metadata

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: >-
      In reparto c’era lei [Mariangela Ferrari] quando i genitori della piccola
      Sara [Sara Rapini] giunsero di corsa in ospedale perché la bambina
      accusava forti dolori addominali e aveva febbre alta.
  - text: >-
      Le parole del testimone Sebastiano F., 55 anni, il testimone citato,
      assieme a un altro, nel dossier sullo scandalo gay nei carmelitani É lui
      stesso, Sebastiano F., originario della Sicilia, a raccontare: «Certo che
      c’entra la mia storia con il prete.
  - text: >-
      «Non lo faccio – ribadisce [Lucrezia Bona] - perché penso che il punto
      della questione non sia questo adesso.
  - text: >-
      «Per combattere l’allarmante calo delle vaccinazioni nel nostro Paese ho
      deciso con alcuni colleghi di intervenire con norme idonee, presentando
      alla Camera un progetto di legge che reintroduce l’obbligo per i bambini
      che frequentano le scuole dell’obbligo» ha detto Crimì [Filippo Crimì].
  - text: >-
      Ci scusiamo con i cittadini per i disagi, il Comune ha programmato i
      lavori per ridurne al minimo l'impatto".
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: sentence-transformers/distiluse-base-multilingual-cased-v1
model-index:
  - name: SetFit with sentence-transformers/distiluse-base-multilingual-cased-v1
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.568284789644013
            name: Accuracy

SetFit with sentence-transformers/distiluse-base-multilingual-cased-v1

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/distiluse-base-multilingual-cased-v1 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/distiluse-base-multilingual-cased-v1
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 128 tokens
• Number of Classes: 2 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	'Sull’aumento del limite al contante «non è vero» quando dice «l’amico» Raffaele Cantone, che favorisce l’evasione, perché «è una misura che dà la possibilità di spendere».' 'La sua pagina Twitter si è trasformata in un diario spagnolo.' 'Allagamenti si sono verificati in strade terranei per il sollevamento dei tombini a causa della forte pressione dell’acqua.'
1	'Questo vuole Putin [Vladimir Putin], che sa tuttavia di dover stipulare un accordo con gli Usa e con Obama [Barack Obama] in particolare perché chi tra un anno gli succederà non è detto che conceda alla Russia il ruolo di comprimario che Obama [Barack Obama], pur cercando di limitarlo, è comunque disposto a riconoscergli.' 'Gli imputati sono Jessica Pulizzi, accusata di sequestro di persona e Gaspare Ghaleb accusato di falsa testimonianza.' "Laureata in storia greca [Daniela Bellingeri], è approdata al giornale nel 1989, diventando subito l'interlocutore cui affidarsi, anche, in certi casi, aggrapparsi, quando arrivavano richieste di pezzi impossibili a ore impossibili."

Evaluation

Metrics

Label	Accuracy
all	0.5683

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("fede-m/FGSDI_final_setfit_fold_2")
# Run inference
preds = model("«Non lo faccio – ribadisce [Lucrezia Bona] - perché penso che il punto della questione non sia questo adesso.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	39.6207	139

Label	Training Sample Count
0	45
1	245

Training Hyperparameters

• batch_size: (16, 16)
• num_epochs: (1, 1)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 10
• 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
• l2_weight: 0.01
• seed: 42
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0028	1	0.5423	-
0.1377	50	0.2061	-
0.2755	100	0.0246	-
0.4132	150	0.0067	-
0.5510	200	0.0019	-
0.6887	250	0.0009	-
0.8264	300	0.0006	-
0.9642	350	0.0006	-

Framework Versions

• Python: 3.12.12
• SetFit: 1.1.3
• Sentence Transformers: 5.1.2
• Transformers: 4.57.1
• PyTorch: 2.8.0+cu126
• Datasets: 4.0.0
• Tokenizers: 0.22.1

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}
}