metadata
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: >-
In den vergangenen Monaten ist die Kritik an den Aktionen von
Klima-Aktivismus-Gruppen wie Fridays for Future und der Letzten Generation
gewachsen. Gegner bemängeln, dass die häufig spektakulären Protestformen,
wie Straßenblockaden und Störungen öffentlicher Veranstaltungen, nicht nur
Unmut in der Bevölkerung hervorrufen, sondern auch das Vertrauen in die
Anliegen der Aktivisten untergraben könnten. Kritiker argumentieren, dass
solche Aktionen den gesellschaftlichen Dialog erschweren und statt
konstruktiver Debatte eher polarisierend wirken. Befürchtet wird zudem,
dass die Radikalität der Methoden die Bereitschaft zur Zusammenarbeit
seitens der Politik und Wirtschaft mindern könnte.
- text: >-
Ein weiteres Mal versuchen linke Politiker, uns ihre ideologische Agenda
aufzuzwingen, indem sie ein nationales Tempolimit auf Autobahnen
durchdrücken wollen. Unter dem Deckmantel des Umweltschutzes wird hier
eine Einschränkung unserer Freiheit propagiert, während die tatsächlichen
Auswirkungen auf den CO2-Ausstoß minimal bleiben. Die wirtschaftlichen
Folgen für die deutsche Automobilindustrie und den Tourismus scheinen
völlig außer Acht gelassen zu werden. Statt die Bürger zu bevormunden,
sollte die Politik besser in den Ausbau der Infrastruktur und innovative
Technologien investieren.
- text: >-
In Deutschland formiert sich zunehmender Widerstand gegen geplante
Gesetzesinitiativen zur flächendeckenden Einführung von Wärmepumpen.
Kritik kommt vor allem von Experten, die auf die hohen Kosten und den
aktuellen Mangel an Fachkräften hinweisen, die für Installation und
Wartung benötigt werden. Zudem wird befürchtet, dass die Energienetze
nicht ausreichend für einen drastischen Anstieg des Stromverbrauchs durch
Wärmepumpen gerüstet sind. Viele Bürger sind ebenfalls besorgt über
mögliche finanzielle Belastungen und die komplexe Umstellung ihrer
Heizsysteme.
- text: >-
Die neueste Gesetzesinitiative zur Einführung eines nationalen Tempolimits
auf Autobahnen ist ein weiterer Schlag gegen die Freiheit der deutschen
Autofahrer. Während unsere Politiker in ihren klimatisierten Büros sitzen,
sollen wir uns mit einem Tempolimit abfinden, das weder die Umwelt rettet
noch die Verkehrssicherheit signifikant erhöht. Es ist ein Paradebeispiel
für Symbolpolitik, die Bürgerrechte einschränkt, ohne wirkliche Lösungen
zu bieten. Stattdessen sollten wir in moderne Verkehrstechnologien
investieren, die Fortschritt und Freiheit vereinen, anstatt die Autobahn
zur Schneckenbahn zu degradieren.
- text: >-
Die Debatte um ein nationales Tempolimit auf deutschen Autobahnen gewinnt
erneut an Fahrt, nachdem mehrere Gesetzesinitiativen positive Auswirkungen
auf Umwelt und Verkehrssicherheit versprechen. Befürworter verweisen auf
Studien, die zeigen, dass ein Tempolimit von 120 km/h den CO2-Ausstoß
deutlich reduzieren könnte. Zudem könnte die Maßnahme die Zahl schwerer
Unfälle verringern und so zu einer höheren Sicherheit im Straßenverkehr
beitragen. Kritiker hingegen warnen vor Einschränkungen der individuellen
Freiheit, doch der gesellschaftliche Diskurs scheint sich zunehmend
zugunsten der Umwelt- und Sicherheitsvorteile zu verschieben.
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
model-index:
- name: SetFit with sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
results:
- task:
type: text-classification
name: Text Classification
dataset:
name: Unknown
type: unknown
split: test
metrics:
- type: accuracy
value: 0.9333333333333333
name: Accuracy
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: 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 |
|---|---|
| supportive |
|
| opposed |
|
Evaluation
Metrics
| Label | Accuracy |
|---|---|
| all | 0.9333 |
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("cbpuschmann/MiniLM-klimacoder_v0.3")
# Run inference
preds = model("In Deutschland formiert sich zunehmender Widerstand gegen geplante Gesetzesinitiativen zur flächendeckenden Einführung von Wärmepumpen. Kritik kommt vor allem von Experten, die auf die hohen Kosten und den aktuellen Mangel an Fachkräften hinweisen, die für Installation und Wartung benötigt werden. Zudem wird befürchtet, dass die Energienetze nicht ausreichend für einen drastischen Anstieg des Stromverbrauchs durch Wärmepumpen gerüstet sind. Viele Bürger sind ebenfalls besorgt über mögliche finanzielle Belastungen und die komplexe Umstellung ihrer Heizsysteme.")
Training Details
Training Set Metrics
| Training set | Min | Median | Max |
|---|---|---|---|
| Word count | 53 | 78.9917 | 112 |
| Label | Training Sample Count |
|---|---|
| opposed | 122 |
| supportive | 118 |
Training Hyperparameters
- batch_size: (32, 32)
- num_epochs: (1, 1)
- 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
- 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 | 0.2533 | - |
| 0.0551 | 50 | 0.2196 | - |
| 0.1101 | 100 | 0.0449 | - |
| 0.1652 | 150 | 0.0095 | - |
| 0.2203 | 200 | 0.0095 | - |
| 0.2753 | 250 | 0.0054 | - |
| 0.3304 | 300 | 0.006 | - |
| 0.3855 | 350 | 0.0032 | - |
| 0.4405 | 400 | 0.0052 | - |
| 0.4956 | 450 | 0.0036 | - |
| 0.5507 | 500 | 0.0029 | - |
| 0.6057 | 550 | 0.0043 | - |
| 0.6608 | 600 | 0.004 | - |
| 0.7159 | 650 | 0.0039 | - |
| 0.7709 | 700 | 0.0031 | - |
| 0.8260 | 750 | 0.0057 | - |
| 0.8811 | 800 | 0.0038 | - |
| 0.9361 | 850 | 0.0058 | - |
| 0.9912 | 900 | 0.0043 | - |
Framework Versions
- Python: 3.10.12
- SetFit: 1.1.0
- Sentence Transformers: 3.2.1
- Transformers: 4.42.2
- PyTorch: 2.5.1+cu121
- Datasets: 3.1.0
- Tokenizers: 0.19.1
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}
}