metadata

tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
widget:
  - text: Военная кафедра
  - text: Какие льготы есть у выпускников колледжа?
  - text: Какие этапы включает приемная кампания?
  - text: Сколько продлится приемная кампания
  - text: Какие требования для поступления в ВУЦ?
metrics:
  - accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: cointegrated/rubert-tiny2
model-index:
  - name: SetFit with cointegrated/rubert-tiny2
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 1
            name: Accuracy

SetFit with cointegrated/rubert-tiny2

This is a SetFit model that can be used for Text Classification. This SetFit model uses cointegrated/rubert-tiny2 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:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: cointegrated/rubert-tiny2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 2048 tokens
Number of Classes: 7 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
3	'Есть ли военная кафедра' 'Какие документы нужны для поступления в ВУЦ?' 'Как проходит отбор на военную кафедру'
2	'Как подтвердить свои достижения?' 'Расскажи о дополнительных баллах при поступлении' 'Можно ли получить баллы за волонтерскую деятельность?'
1	'Нужно ли заверять копии документов?' 'Как узнать, что мои документы приняты?' 'Можно ли подать документы по почте?'
0	'Как долго длится приемная кампания' 'Продолжительность приемной кампании' 'Когда заканчивается приемная кампания?'
4	'Какие документы нужны для поступления после колледжа?' 'Как поступить в Вуз после колледжа' 'Какие сроки подачи документов после колледжа?'
6	'Как подать заявление на общежитие?' 'Кто претендует на предоставление общежития' 'Как оплачивать проживание в общежитии?'
5	'Какие ошибки чаще всего допускают на экзаменах?' 'Какие вступительные испытания нужно сдавать?' 'Как подготовиться к вступительным экзаменам?'

Evaluation

Metrics

Label	Accuracy
all	1.0

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("Maxim01/Intent_Classification_Test")
# Run inference
preds = model("Военная кафедра")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	5.3333	8

Label	Training Sample Count
0	9
1	11
2	6
3	9
4	10
5	11
6	10

Training Hyperparameters

batch_size: (8, 8)
num_epochs: (1, 1)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 20
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
0.0030	1	0.1199	-
0.1515	50	0.1727	-
0.3030	100	0.0936	-
0.4545	150	0.0599	-
0.6061	200	0.0529	-
0.7576	250	0.0436	-
0.9091	300	0.0359	-

Framework Versions

Python: 3.11.12
SetFit: 1.1.2
Sentence Transformers: 3.4.1
Transformers: 4.51.3
PyTorch: 2.6.0+cu124
Datasets: 3.5.1
Tokenizers: 0.21.1

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}
}