SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a SetFit model that can be used for Text Classification. This SetFit model uses sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Classification head: a LogisticRegression instance
Maximum Sequence Length: 128 tokens
Number of Classes: 3 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
negative	'Ez a független film, amelyben rövidek és nagyon mesterkéltek a párbeszédek, soha nem találta meg a közönségét, valószínűleg azért, mert rendkívül nehéz azonosulni bármelyik karakterével is.' 'Egy merész gyakorlat az ürességben.' 'Mióta végigültem ezt a hanyag, mozis vígjáték-különkiadást, azon tűnődöm, vajon Lawrence annyira utálja-e a kritikát, hogy nem hajlandó értékelni a saját munkáját sem.'
positive	'Mint sci-fi film, a Különvélemény lenyűgöző.' 'A film gyakran megbabonázó költőiséget ér el.' 'Sok erős alakítást láthatunk a filmben.'
neutral	'Egy intelligens, komoly, bensőséges film, amely csak akkor vall kudarcot, amikor leáll, hogy demonstrálja a metafizikai lényeget, nehogy véletlenül lemaradj róla.' 'Ez könnyű filmkészítés, az biztos, de elég kellemes a vonzó a férfiszereplők miatt.' 'Egy jól megjátszott film, ami egyszerűen nem áll össze.'

Evaluation

Metrics

Label	Accuracy
all	0.5854

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("GaborMadarasz/multilingual-MiniLM-L12-v2-HUSST-setfit-model")
# Run inference
preds = model("Felületesen ugyan élveztem a filmet, de sosem értettem, mi a célja.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	15.2367	37

Label	Training Sample Count
negative	100
neutral	100
positive	100

Training Hyperparameters

batch_size: (16, 16)
num_epochs: (2, 2)
max_steps: -1
sampling_strategy: oversampling
num_iterations: 25
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
0.0011	1	0.4864	-
0.0533	50	0.286	-
0.1066	100	0.2539	-
0.1599	150	0.227	-
0.2132	200	0.1783	-
0.2665	250	0.1464	-
0.3198	300	0.1352	-
0.3731	350	0.1226	-
0.4264	400	0.1136	-
0.4797	450	0.0963	-
0.5330	500	0.0437	-
0.5864	550	0.0181	-
0.6397	600	0.0079	-
0.6930	650	0.0046	-
0.7463	700	0.005	-
0.7996	750	0.0031	-
0.8529	800	0.0027	-
0.9062	850	0.0017	-
0.9595	900	0.0017	-
1.0128	950	0.0012	-
1.0661	1000	0.0012	-
1.1194	1050	0.0012	-
1.1727	1100	0.0009	-
1.2260	1150	0.0008	-
1.2793	1200	0.0017	-
1.3326	1250	0.0005	-
1.3859	1300	0.0005	-
1.4392	1350	0.0005	-
1.4925	1400	0.0005	-
1.5458	1450	0.0005	-
1.5991	1500	0.0004	-
1.6525	1550	0.0004	-
1.7058	1600	0.0003	-
1.7591	1650	0.0004	-
1.8124	1700	0.0004	-
1.8657	1750	0.0004	-
1.9190	1800	0.0003	-
1.9723	1850	0.0004	-

Framework Versions

Python: 3.11.12
SetFit: 1.1.2
Sentence Transformers: 3.4.1
Transformers: 4.51.1
PyTorch: 2.6.0+cu124
Datasets: 3.5.0
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}
}

GaborMadarasz
/

multilingual-MiniLM-L12-v2-HUSST-setfit-model