Multilingual MiniLMv2-L6-mnli-xnli

模型描述

这个多语言模型可以在100多种语言上执行自然语言推理（NLI），因此也适用于多语种零样本分类。基于微软的多语言-MiniLM-L6模型，该模型是从XLM-RoBERTa-large中提炼出来的（详见 in the original paper 和 this repo 中的详细信息）。该模型在 XNLI dataset 中进行了微调，该数据集包含来自15种语言的假设-前提对，以及英语 MNLI dataset 。

蒸馏模型的主要优点是它们比其教师模型（XLM-RoBERTa-large）更小（推理速度更快，内存需求更低）。缺点是它们失去了一些较大教师模型的性能。

对于最高的推理速度，我建议使用此6层模型。对于更高的性能，我建议使用 mDeBERTa-v3-base-mnli-xnli （截至2023年2月14日）。

如何使用该模型

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="MoritzLaurer/multilingual-MiniLMv2-L6-mnli-xnli")

sequence_to_classify = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
candidate_labels = ["politics", "economy", "entertainment", "environment"]
output = classifier(sequence_to_classify, candidate_labels, multi_label=False)
print(output)

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

model_name = "MoritzLaurer/multilingual-MiniLMv2-L6-mnli-xnli"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

premise = "Angela Merkel ist eine Politikerin in Deutschland und Vorsitzende der CDU"
hypothesis = "Emmanuel Macron is the President of France"

input = tokenizer(premise, hypothesis, truncation=True, return_tensors="pt")
output = model(input["input_ids"].to(device))  # device = "cuda:0" or "cpu"
prediction = torch.softmax(output["logits"][0], -1).tolist()
label_names = ["entailment", "neutral", "contradiction"]
prediction = {name: round(float(pred) * 100, 1) for pred, name in zip(prediction, label_names)}
print(prediction)

训练数据

该模型是在XNLI开发数据集和MNLI训练数据集上进行训练的。XNLI开发集包含2490个从英语翻译成其他14种语言的专业翻译文本（总共37350个文本）（详见 this paper ）。请注意，XNLI包含15种机器翻译版本的MNLI数据集的训练集，但由于这些机器翻译的质量问题，该模型只是在XNLI开发集和原始的英文MNLI训练集（392,702个文本）上进行训练。不使用机器翻译文本可以避免将模型过度拟合到这15种语言上，避免对其进行预训练的其他语言的灾难性遗忘，并显著降低训练成本。

训练过程

该模型使用Hugging Face的trainer训练，使用了以下超参数。确切的底层模型是 mMiniLMv2-L6-H384-distilled-from-XLMR-Large 。

training_args = TrainingArguments(
    num_train_epochs=3,              # total number of training epochs
    learning_rate=4e-05,
    per_device_train_batch_size=64,   # batch size per device during training
    per_device_eval_batch_size=120,    # batch size for evaluation
    warmup_ratio=0.06,                # number of warmup steps for learning rate scheduler
    weight_decay=0.01,               # strength of weight decay
)

评估结果

该模型在XNLI测试集上对15种语言进行了评估（每种语言5010个文本，总共75150个）。请注意，多语言NLI模型能够对NLI文本进行分类，而无需接收特定语言的NLI训练数据（跨语言转移）。这意味着该模型也能够对其训练的其他语言进行NLI，但性能很可能低于XNLI中可用的语言。

多语言-MiniLM-L6在论文中报告的平均XNLI性能为0.68（ see table 11 ）。该重新实现的平均性能为0.713。这种性能提升可能归功于训练数据中MNLI的添加，以及该模型是从XLM-RoBERTa-large而不是-base（多语言-MiniLM-L6-v2）中提炼出来的。

限制和偏差

有关潜在偏差的详细信息，请参阅原始论文和不同NLI数据集的文献。

引用

如果您使用了该模型，请引用：Laurer, Moritz, Wouter van Atteveldt, Andreu Salleras Casas, and Kasper Welbers. 2022. ‘Less Annotating, More Classifying – Addressing the Data Scarcity Issue of Supervised Machine Learning with Deep Transfer Learning and BERT - NLI’. Preprint, June. Open Science Framework. https://osf.io/74b8k .

合作或问题的想法？

如果您有疑问或合作想法，请通过m{dot}laurer{at}vu{dot}nl或 LinkedIn 与我联系。