SetFit Aspect Model with cointegrated/rubert-tiny2

This is a SetFit model that can be used for Aspect Based Sentiment Analysis (ABSA). This SetFit model uses cointegrated/rubert-tiny2 as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification. In particular, this model is in charge of filtering aspect span candidates.

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.

This model was trained within the context of a larger system for ABSA, which looks like so:

Use a spaCy model to select possible aspect span candidates.
Use this SetFit model to filter these possible aspect span candidates.
Use a SetFit model to classify the filtered aspect span candidates.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: cointegrated/rubert-tiny2
Classification head: a LogisticRegression instance
spaCy Model: ru_core_news_lg
SetFitABSA Aspect Model: isolation-forest/setfit-absa-aspect
SetFitABSA Polarity Model: isolation-forest/setfit-absa-polarity
Maximum Sequence Length: 2048 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
aspect	'порции:И порции " достойные " .' 'официантка:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .' 'Обслуживание:Обслуживание не впечатлило .'
no aspect	'итоге:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .' 'счет:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .' 'пункта:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'

Label

Examples

aspect

'порции:И порции " достойные " .'
'официантка:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'
'Обслуживание:Обслуживание не впечатлило .'

no aspect

'итоге:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'
'счет:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'
'пункта:Потом официантка как будто пропала , было не дозваться , чтобы что - то дозаказать , очень долго приходилось ждать , в итоге посчитали неправильно , в счет внесли на 2 пункта больше , чем мы заказывали .'

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 AbsaModel

# Download from the 🤗 Hub
model = AbsaModel.from_pretrained(
    "isolation-forest/setfit-absa-aspect",
    "isolation-forest/setfit-absa-polarity",
)
# Run inference
preds = model("The food was great, but the venue is just way too busy.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	31.9677	88

Label	Training Sample Count
no aspect	797
aspect	256

Training Hyperparameters

batch_size: (16, 2)
num_epochs: (1, 16)
max_steps: -1
sampling_strategy: oversampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0000	1	0.25	-
0.0011	50	0.1976	-
0.0023	100	0.2289	-
0.0034	150	0.2826	-
0.0046	200	0.2361	-
0.0057	250	0.2766	-
0.0068	300	0.2723	-
0.0080	350	0.2402	-
0.0091	400	0.2678	-
0.0103	450	0.2511	-
0.0114	500	0.21	-
0.0125	550	0.2503	-
0.0137	600	0.2614	-
0.0148	650	0.218	-
0.0160	700	0.2482	-
0.0171	750	0.2091	-
0.0182	800	0.2477	-
0.0194	850	0.2531	-
0.0205	900	0.1878	-
0.0217	950	0.2416	-
0.0228	1000	0.2245	-
0.0239	1050	0.2367	-
0.0251	1100	0.2376	-
0.0262	1150	0.2271	-
0.0274	1200	0.228	-
0.0285	1250	0.2362	-
0.0296	1300	0.2308	-
0.0308	1350	0.2326	-
0.0319	1400	0.2535	-
0.0331	1450	0.177	-
0.0342	1500	0.2595	-
0.0353	1550	0.2289	-
0.0365	1600	0.2378	-
0.0376	1650	0.2111	-
0.0388	1700	0.2556	-
0.0399	1750	0.2054	-
0.0410	1800	0.1949	-
0.0422	1850	0.2065	-
0.0433	1900	0.1907	-
0.0445	1950	0.2325	-
0.0456	2000	0.2313	-
0.0467	2050	0.1713	-
0.0479	2100	0.1786	-
0.0490	2150	0.2258	-
0.0502	2200	0.1102	-
0.0513	2250	0.1714	-
0.0524	2300	0.2325	-
0.0536	2350	0.2287	-
0.0547	2400	0.2901	-
0.0559	2450	0.1763	-
0.0570	2500	0.223	-
0.0581	2550	0.0784	-
0.0593	2600	0.2069	-
0.0604	2650	0.1353	-
0.0616	2700	0.1729	-
0.0627	2750	0.1753	-
0.0638	2800	0.2243	-
0.0650	2850	0.1151	-
0.0661	2900	0.2547	-
0.0673	2950	0.1414	-
0.0684	3000	0.1771	-
0.0695	3050	0.1275	-
0.0707	3100	0.0541	-
0.0718	3150	0.0962	-
0.0730	3200	0.1953	-
0.0741	3250	0.0787	-
0.0752	3300	0.0766	-
0.0764	3350	0.1537	-
0.0775	3400	0.0957	-
0.0787	3450	0.0975	-
0.0798	3500	0.0359	-
0.0809	3550	0.0402	-
0.0821	3600	0.0377	-
0.0832	3650	0.0486	-
0.0844	3700	0.1206	-
0.0855	3750	0.0504	-
0.0866	3800	0.1072	-
0.0878	3850	0.0838	-
0.0889	3900	0.1222	-
0.0901	3950	0.0463	-
0.0912	4000	0.0781	-
0.0923	4050	0.031	-
0.0935	4100	0.1063	-
0.0946	4150	0.0643	-
0.0958	4200	0.0624	-
0.0969	4250	0.0283	-
0.0980	4300	0.0527	-
0.0992	4350	0.0153	-
0.1003	4400	0.0765	-
0.1015	4450	0.0245	-
0.1026	4500	0.0494	-
0.1037	4550	0.0218	-
0.1049	4600	0.0086	-
0.1060	4650	0.0245	-
0.1072	4700	0.0047	-
0.1083	4750	0.0284	-
0.1094	4800	0.0045	-
0.1106	4850	0.0683	-
0.1117	4900	0.0234	-
0.1129	4950	0.0584	-
0.1140	5000	0.1212	-
0.1151	5050	0.0052	-
0.1163	5100	0.065	-
0.1174	5150	0.003	-
0.1186	5200	0.0937	-
0.1197	5250	0.0038	-
0.1208	5300	0.0061	-
0.1220	5350	0.0038	-
0.1231	5400	0.0674	-
0.1243	5450	0.0039	-
0.1254	5500	0.0088	-
0.1265	5550	0.0028	-
0.1277	5600	0.0031	-
0.1288	5650	0.0035	-
0.1300	5700	0.0545	-
0.1311	5750	0.0021	-
0.1322	5800	0.0056	-
0.1334	5850	0.0019	-
0.1345	5900	0.0023	-
0.1356	5950	0.0595	-
0.1368	6000	0.0019	-
0.1379	6050	0.0031	-
0.1391	6100	0.0025	-
0.1402	6150	0.0026	-
0.1413	6200	0.0032	-
0.1425	6250	0.0019	-
0.1436	6300	0.0761	-
0.1448	6350	0.0446	-
0.1459	6400	0.002	-
0.1470	6450	0.008	-
0.1482	6500	0.0044	-
0.1493	6550	0.0024	-
0.1505	6600	0.0026	-
0.1516	6650	0.0477	-
0.1527	6700	0.0023	-
0.1539	6750	0.0024	-
0.1550	6800	0.0016	-
0.1562	6850	0.0023	-
0.1573	6900	0.0017	-
0.1584	6950	0.0026	-
0.1596	7000	0.0602	-
0.1607	7050	0.002	-
0.1619	7100	0.0014	-
0.1630	7150	0.0019	-
0.1641	7200	0.0019	-
0.1653	7250	0.0021	-
0.1664	7300	0.0563	-
0.1676	7350	0.0017	-
0.1687	7400	0.0019	-
0.1698	7450	0.0017	-
0.1710	7500	0.0014	-
0.1721	7550	0.002	-
0.1733	7600	0.0028	-
0.1744	7650	0.002	-
0.1755	7700	0.0021	-
0.1767	7750	0.002	-
0.1778	7800	0.0017	-
0.1790	7850	0.0579	-
0.1801	7900	0.0089	-
0.1812	7950	0.0016	-
0.1824	8000	0.104	-
0.1835	8050	0.0241	-
0.1847	8100	0.0015	-
0.1858	8150	0.0039	-
0.1869	8200	0.0018	-
0.1881	8250	0.0018	-
0.1892	8300	0.0012	-
0.1904	8350	0.0015	-
0.1915	8400	0.0016	-
0.1926	8450	0.0017	-
0.1938	8500	0.0647	-
0.1949	8550	0.0013	-
0.1961	8600	0.0014	-
0.1972	8650	0.1705	-
0.1983	8700	0.0036	-
0.1995	8750	0.0014	-
0.2006	8800	0.0021	-
0.2018	8850	0.0019	-
0.2029	8900	0.0018	-
0.2040	8950	0.0018	-
0.2052	9000	0.001	-
0.2063	9050	0.0012	-
0.2075	9100	0.0013	-
0.2086	9150	0.0014	-
0.2097	9200	0.0609	-
0.2109	9250	0.0026	-
0.2120	9300	0.0012	-
0.2132	9350	0.0023	-
0.2143	9400	0.0043	-
0.2154	9450	0.0511	-
0.2166	9500	0.0012	-
0.2177	9550	0.002	-
0.2189	9600	0.0016	-
0.2200	9650	0.0124	-
0.2211	9700	0.0046	-
0.2223	9750	0.0012	-
0.2234	9800	0.0014	-
0.2246	9850	0.0016	-
0.2257	9900	0.0596	-
0.2268	9950	0.0013	-
0.2280	10000	0.0021	-
0.2291	10050	0.0012	-
0.2303	10100	0.057	-
0.2314	10150	0.0028	-
0.2325	10200	0.0014	-
0.2337	10250	0.0014	-
0.2348	10300	0.0019	-
0.2360	10350	0.0014	-
0.2371	10400	0.0015	-
0.2382	10450	0.0569	-
0.2394	10500	0.0012	-
0.2405	10550	0.0023	-
0.2417	10600	0.0013	-
0.2428	10650	0.0011	-
0.2439	10700	0.0191	-
0.2451	10750	0.0015	-
0.2462	10800	0.0022	-
0.2474	10850	0.0547	-
0.2485	10900	0.003	-
0.2496	10950	0.0013	-
0.2508	11000	0.0018	-
0.2519	11050	0.0016	-
0.2531	11100	0.0013	-
0.2542	11150	0.0019	-
0.2553	11200	0.0011	-
0.2565	11250	0.0555	-
0.2576	11300	0.0012	-
0.2588	11350	0.0016	-
0.2599	11400	0.004	-
0.2610	11450	0.0014	-
0.2622	11500	0.0016	-
0.2633	11550	0.0037	-
0.2645	11600	0.0014	-
0.2656	11650	0.0252	-
0.2667	11700	0.0011	-
0.2679	11750	0.0013	-
0.2690	11800	0.0552	-
0.2702	11850	0.0019	-
0.2713	11900	0.0009	-
0.2724	11950	0.0015	-
0.2736	12000	0.0362	-
0.2747	12050	0.001	-
0.2759	12100	0.0022	-
0.2770	12150	0.0013	-
0.2781	12200	0.0013	-
0.2793	12250	0.001	-
0.2804	12300	0.0027	-
0.2816	12350	0.0013	-
0.2827	12400	0.0014	-
0.2838	12450	0.001	-
0.2850	12500	0.0014	-
0.2861	12550	0.0014	-
0.2873	12600	0.0407	-
0.2884	12650	0.0009	-
0.2895	12700	0.0014	-
0.2907	12750	0.001	-
0.2918	12800	0.0011	-
0.2930	12850	0.0012	-
0.2941	12900	0.0011	-
0.2952	12950	0.0016	-
0.2964	13000	0.0012	-
0.2975	13050	0.001	-
0.2987	13100	0.0026	-
0.2998	13150	0.0015	-
0.3009	13200	0.0022	-
0.3021	13250	0.0007	-
0.3032	13300	0.001	-
0.3044	13350	0.0012	-
0.3055	13400	0.0019	-
0.3066	13450	0.0016	-
0.3078	13500	0.0938	-
0.3089	13550	0.0009	-
0.3101	13600	0.0016	-
0.3112	13650	0.0014	-
0.3123	13700	0.032	-
0.3135	13750	0.0013	-
0.3146	13800	0.0219	-
0.3158	13850	0.0012	-
0.3169	13900	0.0012	-
0.3180	13950	0.0214	-
0.3192	14000	0.001	-
0.3203	14050	0.0033	-
0.3215	14100	0.0009	-
0.3226	14150	0.001	-
0.3237	14200	0.001	-
0.3249	14250	0.0014	-
0.3260	14300	0.0075	-
0.3272	14350	0.0015	-
0.3283	14400	0.0018	-
0.3294	14450	0.0011	-
0.3306	14500	0.0008	-
0.3317	14550	0.0381	-
0.3329	14600	0.0007	-
0.3340	14650	0.0009	-
0.3351	14700	0.001	-
0.3363	14750	0.0011	-
0.3374	14800	0.0304	-
0.3386	14850	0.0008	-
0.3397	14900	0.0007	-
0.3408	14950	0.0013	-
0.3420	15000	0.0135	-
0.3431	15050	0.001	-
0.3443	15100	0.0007	-
0.3454	15150	0.0008	-
0.3465	15200	0.0018	-
0.3477	15250	0.0009	-
0.3488	15300	0.0013	-
0.3500	15350	0.0018	-
0.3511	15400	0.0014	-
0.3522	15450	0.0051	-
0.3534	15500	0.0009	-
0.3545	15550	0.0007	-
0.3557	15600	0.0006	-
0.3568	15650	0.001	-
0.3579	15700	0.001	-
0.3591	15750	0.0015	-
0.3602	15800	0.0006	-
0.3614	15850	0.0005	-
0.3625	15900	0.0009	-
0.3636	15950	0.0052	-
0.3648	16000	0.0006	-
0.3659	16050	0.0013	-
0.3671	16100	0.001	-
0.3682	16150	0.0007	-
0.3693	16200	0.001	-
0.3705	16250	0.0008	-
0.3716	16300	0.0006	-
0.3728	16350	0.0026	-
0.3739	16400	0.0012	-
0.3750	16450	0.0008	-
0.3762	16500	0.0008	-
0.3773	16550	0.001	-
0.3785	16600	0.0289	-
0.3796	16650	0.0012	-
0.3807	16700	0.0007	-
0.3819	16750	0.0009	-
0.3830	16800	0.0006	-
0.3842	16850	0.0007	-
0.3853	16900	0.0008	-
0.3864	16950	0.0007	-
0.3876	17000	0.0011	-
0.3887	17050	0.0032	-
0.3899	17100	0.0009	-
0.3910	17150	0.0007	-
0.3921	17200	0.0008	-
0.3933	17250	0.0008	-
0.3944	17300	0.0007	-
0.3955	17350	0.0012	-
0.3967	17400	0.0044	-
0.3978	17450	0.0006	-
0.3990	17500	0.0006	-
0.4001	17550	0.0006	-
0.4012	17600	0.002	-
0.4024	17650	0.0007	-
0.4035	17700	0.0005	-
0.4047	17750	0.0005	-
0.4058	17800	0.0005	-
0.4069	17850	0.0013	-
0.4081	17900	0.0004	-
0.4092	17950	0.0005	-
0.4104	18000	0.0007	-
0.4115	18050	0.0007	-
0.4126	18100	0.0007	-
0.4138	18150	0.0006	-
0.4149	18200	0.0004	-
0.4161	18250	0.0005	-
0.4172	18300	0.0307	-
0.4183	18350	0.001	-
0.4195	18400	0.0012	-
0.4206	18450	0.0007	-
0.4218	18500	0.0007	-
0.4229	18550	0.001	-
0.4240	18600	0.0006	-
0.4252	18650	0.0195	-
0.4263	18700	0.0583	-
0.4275	18750	0.0005	-
0.4286	18800	0.0011	-
0.4297	18850	0.0006	-
0.4309	18900	0.0007	-
0.4320	18950	0.0005	-
0.4332	19000	0.0005	-
0.4343	19050	0.0007	-
0.4354	19100	0.0008	-
0.4366	19150	0.0006	-
0.4377	19200	0.0007	-
0.4389	19250	0.0005	-
0.4400	19300	0.0004	-
0.4411	19350	0.0005	-
0.4423	19400	0.0006	-
0.4434	19450	0.0006	-
0.4446	19500	0.0005	-
0.4457	19550	0.0006	-
0.4468	19600	0.0005	-
0.4480	19650	0.0013	-
0.4491	19700	0.0006	-
0.4503	19750	0.0006	-
0.4514	19800	0.0095	-
0.4525	19850	0.0066	-
0.4537	19900	0.0005	-
0.4548	19950	0.0008	-
0.4560	20000	0.0006	-
0.4571	20050	0.0005	-
0.4582	20100	0.0004	-
0.4594	20150	0.0151	-
0.4605	20200	0.0004	-
0.4617	20250	0.001	-
0.4628	20300	0.0005	-
0.4639	20350	0.0007	-
0.4651	20400	0.0239	-
0.4662	20450	0.0009	-
0.4674	20500	0.0005	-
0.4685	20550	0.0008	-
0.4696	20600	0.0005	-
0.4708	20650	0.0006	-
0.4719	20700	0.0004	-
0.4731	20750	0.0005	-
0.4742	20800	0.0049	-
0.4753	20850	0.0007	-
0.4765	20900	0.0005	-
0.4776	20950	0.0018	-
0.4788	21000	0.0006	-
0.4799	21050	0.0008	-
0.4810	21100	0.0008	-
0.4822	21150	0.0225	-
0.4833	21200	0.0011	-
0.4845	21250	0.0005	-
0.4856	21300	0.0006	-
0.4867	21350	0.0004	-
0.4879	21400	0.0008	-
0.4890	21450	0.001	-
0.4902	21500	0.0004	-
0.4913	21550	0.0008	-
0.4924	21600	0.0008	-
0.4936	21650	0.0006	-
0.4947	21700	0.0008	-
0.4959	21750	0.0004	-
0.4970	21800	0.011	-
0.4981	21850	0.0007	-
0.4993	21900	0.0004	-
0.5004	21950	0.031	-
0.5016	22000	0.0102	-
0.5027	22050	0.0009	-
0.5038	22100	0.0089	-
0.5050	22150	0.0007	-
0.5061	22200	0.0006	-
0.5073	22250	0.0004	-
0.5084	22300	0.0004	-
0.5095	22350	0.0007	-
0.5107	22400	0.0004	-
0.5118	22450	0.0004	-
0.5130	22500	0.006	-
0.5141	22550	0.0008	-
0.5152	22600	0.0007	-
0.5164	22650	0.0007	-
0.5175	22700	0.0007	-
0.5187	22750	0.0003	-
0.5198	22800	0.0005	-
0.5209	22850	0.0006	-
0.5221	22900	0.0005	-
0.5232	22950	0.0324	-
0.5244	23000	0.017	-
0.5255	23050	0.0126	-
0.5266	23100	0.0005	-
0.5278	23150	0.0151	-
0.5289	23200	0.0005	-
0.5301	23250	0.0003	-
0.5312	23300	0.0004	-
0.5323	23350	0.011	-
0.5335	23400	0.0003	-
0.5346	23450	0.0006	-
0.5358	23500	0.0006	-
0.5369	23550	0.0007	-
0.5380	23600	0.0031	-
0.5392	23650	0.0005	-
0.5403	23700	0.0003	-
0.5415	23750	0.0003	-
0.5426	23800	0.0341	-
0.5437	23850	0.0004	-
0.5449	23900	0.0008	-
0.5460	23950	0.0008	-
0.5472	24000	0.0005	-
0.5483	24050	0.0003	-
0.5494	24100	0.0006	-
0.5506	24150	0.0007	-
0.5517	24200	0.001	-
0.5529	24250	0.0004	-
0.5540	24300	0.0004	-
0.5551	24350	0.0005	-
0.5563	24400	0.0004	-
0.5574	24450	0.0003	-
0.5586	24500	0.0007	-
0.5597	24550	0.0004	-
0.5608	24600	0.0005	-
0.5620	24650	0.0004	-
0.5631	24700	0.0004	-
0.5643	24750	0.0005	-
0.5654	24800	0.0008	-
0.5665	24850	0.0006	-
0.5677	24900	0.0006	-
0.5688	24950	0.0003	-
0.5700	25000	0.0005	-
0.5711	25050	0.0007	-
0.5722	25100	0.0004	-
0.5734	25150	0.0004	-
0.5745	25200	0.0303	-
0.5757	25250	0.0223	-
0.5768	25300	0.0008	-
0.5779	25350	0.0254	-
0.5791	25400	0.0006	-
0.5802	25450	0.0004	-
0.5814	25500	0.0003	-
0.5825	25550	0.0007	-
0.5836	25600	0.0425	-
0.5848	25650	0.0354	-
0.5859	25700	0.0006	-
0.5871	25750	0.0146	-
0.5882	25800	0.0006	-
0.5893	25850	0.0005	-
0.5905	25900	0.0004	-
0.5916	25950	0.0004	-
0.5928	26000	0.0007	-
0.5939	26050	0.0008	-
0.5950	26100	0.001	-
0.5962	26150	0.0003	-
0.5973	26200	0.0006	-
0.5985	26250	0.0003	-
0.5996	26300	0.0006	-
0.6007	26350	0.0007	-
0.6019	26400	0.0007	-
0.6030	26450	0.0287	-
0.6042	26500	0.0003	-
0.6053	26550	0.0323	-
0.6064	26600	0.0007	-
0.6076	26650	0.0002	-
0.6087	26700	0.0004	-
0.6099	26750	0.0003	-
0.6110	26800	0.0041	-
0.6121	26850	0.0005	-
0.6133	26900	0.0003	-
0.6144	26950	0.0003	-
0.6156	27000	0.0003	-
0.6167	27050	0.0007	-
0.6178	27100	0.0003	-
0.6190	27150	0.0003	-
0.6201	27200	0.0008	-
0.6213	27250	0.0004	-
0.6224	27300	0.0003	-
0.6235	27350	0.0003	-
0.6247	27400	0.0007	-
0.6258	27450	0.0006	-
0.6270	27500	0.0008	-
0.6281	27550	0.0004	-
0.6292	27600	0.0004	-
0.6304	27650	0.0006	-
0.6315	27700	0.0004	-
0.6327	27750	0.0003	-
0.6338	27800	0.0008	-
0.6349	27850	0.0005	-
0.6361	27900	0.0121	-
0.6372	27950	0.0006	-
0.6384	28000	0.0004	-
0.6395	28050	0.001	-
0.6406	28100	0.0002	-
0.6418	28150	0.0006	-
0.6429	28200	0.0004	-
0.6441	28250	0.0005	-
0.6452	28300	0.0004	-
0.6463	28350	0.0006	-
0.6475	28400	0.001	-
0.6486	28450	0.0004	-
0.6498	28500	0.0337	-
0.6509	28550	0.0009	-
0.6520	28600	0.0003	-
0.6532	28650	0.0003	-
0.6543	28700	0.0005	-
0.6554	28750	0.0003	-
0.6566	28800	0.0008	-
0.6577	28850	0.0002	-
0.6589	28900	0.0038	-
0.6600	28950	0.0007	-
0.6611	29000	0.0003	-
0.6623	29050	0.0003	-
0.6634	29100	0.0003	-
0.6646	29150	0.0003	-
0.6657	29200	0.0422	-
0.6668	29250	0.0004	-
0.6680	29300	0.0002	-
0.6691	29350	0.0006	-
0.6703	29400	0.0006	-
0.6714	29450	0.0004	-
0.6725	29500	0.0004	-
0.6737	29550	0.0003	-
0.6748	29600	0.0004	-
0.6760	29650	0.0003	-
0.6771	29700	0.0008	-
0.6782	29750	0.0003	-
0.6794	29800	0.0005	-
0.6805	29850	0.0007	-
0.6817	29900	0.0004	-
0.6828	29950	0.0003	-
0.6839	30000	0.0002	-
0.6851	30050	0.0004	-
0.6862	30100	0.0005	-
0.6874	30150	0.0007	-
0.6885	30200	0.0005	-
0.6896	30250	0.0002	-
0.6908	30300	0.0004	-
0.6919	30350	0.0007	-
0.6931	30400	0.0012	-
0.6942	30450	0.0006	-
0.6953	30500	0.0006	-
0.6965	30550	0.0004	-
0.6976	30600	0.0004	-
0.6988	30650	0.0003	-
0.6999	30700	0.0005	-
0.7010	30750	0.0007	-
0.7022	30800	0.0003	-
0.7033	30850	0.0005	-
0.7045	30900	0.0003	-
0.7056	30950	0.0002	-
0.7067	31000	0.0002	-
0.7079	31050	0.0005	-
0.7090	31100	0.0003	-
0.7102	31150	0.0002	-
0.7113	31200	0.0006	-
0.7124	31250	0.0004	-
0.7136	31300	0.0003	-
0.7147	31350	0.0003	-
0.7159	31400	0.0002	-
0.7170	31450	0.0003	-
0.7181	31500	0.0002	-
0.7193	31550	0.0004	-
0.7204	31600	0.0006	-
0.7216	31650	0.0007	-
0.7227	31700	0.0004	-
0.7238	31750	0.0003	-
0.7250	31800	0.0002	-
0.7261	31850	0.0004	-
0.7273	31900	0.0006	-
0.7284	31950	0.0004	-
0.7295	32000	0.0005	-
0.7307	32050	0.0011	-
0.7318	32100	0.0003	-
0.7330	32150	0.0004	-
0.7341	32200	0.0551	-
0.7352	32250	0.0006	-
0.7364	32300	0.0004	-
0.7375	32350	0.0005	-
0.7387	32400	0.0004	-
0.7398	32450	0.0007	-
0.7409	32500	0.0003	-
0.7421	32550	0.0007	-
0.7432	32600	0.0003	-
0.7444	32650	0.0007	-
0.7455	32700	0.0006	-
0.7466	32750	0.0006	-
0.7478	32800	0.0003	-
0.7489	32850	0.0005	-
0.7501	32900	0.0004	-
0.7512	32950	0.0007	-
0.7523	33000	0.0002	-
0.7535	33050	0.0008	-
0.7546	33100	0.0004	-
0.7558	33150	0.0002	-
0.7569	33200	0.0006	-
0.7580	33250	0.0046	-
0.7592	33300	0.0005	-
0.7603	33350	0.0003	-
0.7615	33400	0.0125	-
0.7626	33450	0.0006	-
0.7637	33500	0.0063	-
0.7649	33550	0.0008	-
0.7660	33600	0.0004	-
0.7672	33650	0.0037	-
0.7683	33700	0.0005	-
0.7694	33750	0.0006	-
0.7706	33800	0.0006	-
0.7717	33850	0.012	-
0.7729	33900	0.0005	-
0.7740	33950	0.0005	-
0.7751	34000	0.0005	-
0.7763	34050	0.0003	-
0.7774	34100	0.0004	-
0.7786	34150	0.0003	-
0.7797	34200	0.0003	-
0.7808	34250	0.0088	-
0.7820	34300	0.0004	-
0.7831	34350	0.0002	-
0.7843	34400	0.0004	-
0.7854	34450	0.0082	-
0.7865	34500	0.0005	-
0.7877	34550	0.0005	-
0.7888	34600	0.0004	-
0.7900	34650	0.0003	-
0.7911	34700	0.0006	-
0.7922	34750	0.0006	-
0.7934	34800	0.0002	-
0.7945	34850	0.0003	-
0.7957	34900	0.0005	-
0.7968	34950	0.0003	-
0.7979	35000	0.0004	-
0.7991	35050	0.0003	-
0.8002	35100	0.0002	-
0.8014	35150	0.0094	-
0.8025	35200	0.0004	-
0.8036	35250	0.0004	-
0.8048	35300	0.0245	-
0.8059	35350	0.0006	-
0.8071	35400	0.0004	-
0.8082	35450	0.0004	-
0.8093	35500	0.0003	-
0.8105	35550	0.0007	-
0.8116	35600	0.0266	-
0.8128	35650	0.0005	-
0.8139	35700	0.0003	-
0.8150	35750	0.0092	-
0.8162	35800	0.0004	-
0.8173	35850	0.0002	-
0.8185	35900	0.0004	-
0.8196	35950	0.0003	-
0.8207	36000	0.0002	-
0.8219	36050	0.0003	-
0.8230	36100	0.0002	-
0.8242	36150	0.0006	-
0.8253	36200	0.0003	-
0.8264	36250	0.0002	-
0.8276	36300	0.0002	-
0.8287	36350	0.0002	-
0.8299	36400	0.0002	-
0.8310	36450	0.0004	-
0.8321	36500	0.001	-
0.8333	36550	0.0134	-
0.8344	36600	0.0007	-
0.8356	36650	0.0005	-
0.8367	36700	0.0004	-
0.8378	36750	0.0003	-
0.8390	36800	0.007	-
0.8401	36850	0.0002	-
0.8413	36900	0.0005	-
0.8424	36950	0.0002	-
0.8435	37000	0.0002	-
0.8447	37050	0.0003	-
0.8458	37100	0.0002	-
0.8470	37150	0.003	-
0.8481	37200	0.0003	-
0.8492	37250	0.0002	-
0.8504	37300	0.0011	-
0.8515	37350	0.0015	-
0.8527	37400	0.0002	-
0.8538	37450	0.0004	-
0.8549	37500	0.0005	-
0.8561	37550	0.0004	-
0.8572	37600	0.0085	-
0.8584	37650	0.0002	-
0.8595	37700	0.0003	-
0.8606	37750	0.0002	-
0.8618	37800	0.0002	-
0.8629	37850	0.0042	-
0.8641	37900	0.0006	-
0.8652	37950	0.0133	-
0.8663	38000	0.0003	-
0.8675	38050	0.0003	-
0.8686	38100	0.0003	-
0.8698	38150	0.0002	-
0.8709	38200	0.0359	-
0.8720	38250	0.001	-
0.8732	38300	0.0004	-
0.8743	38350	0.0002	-
0.8755	38400	0.0004	-
0.8766	38450	0.0005	-
0.8777	38500	0.0005	-
0.8789	38550	0.0003	-
0.8800	38600	0.0078	-
0.8812	38650	0.0002	-
0.8823	38700	0.0006	-
0.8834	38750	0.0002	-
0.8846	38800	0.0005	-
0.8857	38850	0.0355	-
0.8869	38900	0.0006	-
0.8880	38950	0.0003	-
0.8891	39000	0.0003	-
0.8903	39050	0.0002	-
0.8914	39100	0.0004	-
0.8926	39150	0.0002	-
0.8937	39200	0.0011	-
0.8948	39250	0.0003	-
0.8960	39300	0.0305	-
0.8971	39350	0.0002	-
0.8983	39400	0.0069	-
0.8994	39450	0.0002	-
0.9005	39500	0.0004	-
0.9017	39550	0.0003	-
0.9028	39600	0.0002	-
0.9040	39650	0.0002	-
0.9051	39700	0.0007	-
0.9062	39750	0.0002	-
0.9074	39800	0.0004	-
0.9085	39850	0.0008	-
0.9097	39900	0.0002	-
0.9108	39950	0.0004	-
0.9119	40000	0.0156	-
0.9131	40050	0.0007	-
0.9142	40100	0.0003	-
0.9154	40150	0.0006	-
0.9165	40200	0.0074	-
0.9176	40250	0.0075	-
0.9188	40300	0.0002	-
0.9199	40350	0.0006	-
0.9210	40400	0.0004	-
0.9222	40450	0.0004	-
0.9233	40500	0.0002	-
0.9245	40550	0.0008	-
0.9256	40600	0.0002	-
0.9267	40650	0.0003	-
0.9279	40700	0.0005	-
0.9290	40750	0.0104	-
0.9302	40800	0.0002	-
0.9313	40850	0.0003	-
0.9324	40900	0.0005	-
0.9336	40950	0.0003	-
0.9347	41000	0.0002	-
0.9359	41050	0.0002	-
0.9370	41100	0.0004	-
0.9381	41150	0.0285	-
0.9393	41200	0.0067	-
0.9404	41250	0.0004	-
0.9416	41300	0.0004	-
0.9427	41350	0.0002	-
0.9438	41400	0.0006	-
0.9450	41450	0.0003	-
0.9461	41500	0.0008	-
0.9473	41550	0.0004	-
0.9484	41600	0.0003	-
0.9495	41650	0.0005	-
0.9507	41700	0.0005	-
0.9518	41750	0.0002	-
0.9530	41800	0.0004	-
0.9541	41850	0.0003	-
0.9552	41900	0.0006	-
0.9564	41950	0.0006	-
0.9575	42000	0.0002	-
0.9587	42050	0.0002	-
0.9598	42100	0.0002	-
0.9609	42150	0.0068	-
0.9621	42200	0.007	-
0.9632	42250	0.0265	-
0.9644	42300	0.0004	-
0.9655	42350	0.0002	-
0.9666	42400	0.0005	-
0.9678	42450	0.0004	-
0.9689	42500	0.0063	-
0.9701	42550	0.0004	-
0.9712	42600	0.0002	-
0.9723	42650	0.0002	-
0.9735	42700	0.0003	-
0.9746	42750	0.0007	-
0.9758	42800	0.0004	-
0.9769	42850	0.0082	-
0.9780	42900	0.0004	-
0.9792	42950	0.031	-
0.9803	43000	0.0004	-
0.9815	43050	0.0047	-
0.9826	43100	0.0003	-
0.9837	43150	0.0003	-
0.9849	43200	0.0005	-
0.9860	43250	0.0003	-
0.9872	43300	0.0002	-
0.9883	43350	0.0005	-
0.9894	43400	0.0003	-
0.9906	43450	0.0007	-
0.9917	43500	0.0003	-
0.9929	43550	0.0003	-
0.9940	43600	0.0006	-
0.9951	43650	0.001	-
0.9963	43700	0.0006	-
0.9974	43750	0.0002	-
0.9986	43800	0.0003	-
0.9997	43850	0.0005	-

Framework Versions

Python: 3.10.13
SetFit: 1.0.3
Sentence Transformers: 2.7.0
spaCy: 3.7.2
Transformers: 4.39.3
PyTorch: 2.1.2
Datasets: 2.18.0
Tokenizers: 0.15.2

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}
}

isolation-forest
/

setfit-absa-aspect