Kurrant/RevenueStreamJP

SetFit

This is a SetFit model that can be used for Text Classification. 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
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 512 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
Non-recurring	'海外に拠点を置くセカンダリー・プライベート・エクイティ投資に特化した独立系運用会社。' '我々映像機器システム社は、大正11年から続く長い歴史のある企業です。\n「夢と感動を皆様にお届けする」という信念は今も昔も、これからも変わることはありません。\n\n我々の仕事を通して、エンドユーザーには想像以上の映像・音響体験が生まれ、感謝と感動が循環します。\nまるで自分も映像の中に入り込んだように、全身で作品を味わっていただいています。\n\nただ「映画を観る」だけではなく、「映画を体験」し、その先の感動をお届けし続ける企業であり続けたいと思っています！' '報道関係者向けイベントのオンライン開催を支援する動画配信サービス「プレスメイク」などを運営するスタートアップ。'
Recurring	'お米・麦・大豆を使い、\n飲食業に特化した今までにない\n飲食業態を開発運営する会社です。\n\nキャッチコピーは「お米をデザインする」\n\n自社農園での農業から加工・販売まで\n\n育てる・作る・販売するを一貫して行なっており、\n一次産業から三次産業まで\n全てのシーンでお米をデザインしながら、\n日本の食文化で常に\n新しいチャレンジをしています。' 'アニメ評価ランキングサイト「あにこれ」を運営するスタートアップ。' '100人いれば、100通りの美しさがあり、100通りのらしさがある。\n創業以来ずっと、私たちは患者様一人ひとりと向き合い、\n患者さまの立場に立った施術を行うことを信念としてやってきました。\n例えば、カウンセラーではなく医師が時間をかけて患者様と向き合って\nカウンセリングしているのもそのスタンスを実現するためです。\n\n一人一人にクオリティの高い治療を行うために。\n最新技術の研鑽はもちろんのこと、チームワークを大切にしながら、\n美容医療をいかに進化させることができるかを真剣に学べる環境です。'

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("Kurrant/RevenueStreamJP")
# Run inference
preds = model("次世代を担う子どもたちへプログラミングの面白さを伝えるキッズプログラミングスクール「ツクル」を運営するスタートアップ。")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	2.0785	65

Label	Training Sample Count
Non-recurring	929
Recurring	1467

Training Hyperparameters

• batch_size: (8, 8)
• num_epochs: (2, 2)
• max_steps: -1
• sampling_strategy: oversampling
• num_iterations: 3
• 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
• seed: 42
• eval_max_steps: -1
• load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0006	1	0.3	-
0.0278	50	0.2769	-
0.0556	100	0.2192	-
0.0835	150	0.323	-
0.1113	200	0.2692	-
0.1391	250	0.1603	-
0.1669	300	0.3578	-
0.1948	350	0.197	-
0.2226	400	0.3582	-
0.2504	450	0.2184	-
0.2782	500	0.182	-
0.3061	550	0.2353	-
0.3339	600	0.2287	-
0.3617	650	0.1228	-
0.3895	700	0.2276	-
0.4174	750	0.2181	-
0.4452	800	0.2857	-
0.4730	850	0.2361	-
0.5008	900	0.2545	-
0.5287	950	0.1986	-
0.5565	1000	0.3308	-
0.5843	1050	0.2126	-
0.6121	1100	0.18	-
0.6400	1150	0.1206	-
0.6678	1200	0.1441	-
0.6956	1250	0.1999	-
0.7234	1300	0.1518	-
0.7513	1350	0.1713	-
0.7791	1400	0.033	-
0.8069	1450	0.1999	-
0.8347	1500	0.0766	-
0.8625	1550	0.1551	-
0.8904	1600	0.363	-
0.9182	1650	0.0398	-
0.9460	1700	0.1047	-
0.9738	1750	0.0475	-
1.0017	1800	0.0331	-
1.0295	1850	0.0113	-
1.0573	1900	0.0099	-
1.0851	1950	0.2228	-
1.1130	2000	0.1168	-
1.1408	2050	0.0687	-
1.1686	2100	0.0018	-
1.1964	2150	0.0043	-
1.2243	2200	0.0016	-
1.2521	2250	0.0488	-
1.2799	2300	0.0029	-
1.3077	2350	0.0053	-
1.3356	2400	0.0659	-
1.3634	2450	0.0662	-
1.3912	2500	0.0013	-
1.4190	2550	0.1195	-
1.4469	2600	0.0004	-
1.4747	2650	0.0028	-
1.5025	2700	0.0002	-
1.5303	2750	0.2196	-
1.5582	2800	0.0011	-
1.5860	2850	0.0086	-
1.6138	2900	0.0017	-
1.6416	2950	0.0048	-
1.6694	3000	0.0003	-
1.6973	3050	0.0003	-
1.7251	3100	0.0002	-
1.7529	3150	0.0002	-
1.7807	3200	0.0003	-
1.8086	3250	0.0001	-
1.8364	3300	0.0002	-
1.8642	3350	0.0133	-
1.8920	3400	0.0003	-
1.9199	3450	0.0003	-
1.9477	3500	0.0007	-
1.9755	3550	0.0005	-

Framework Versions

• Python: 3.10.12
• SetFit: 1.0.2
• Sentence Transformers: 2.2.2
• Transformers: 4.35.2
• PyTorch: 2.1.0+cu121
• Datasets: 2.16.1
• Tokenizers: 0.15.0

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}
}