cbpuschmann/MiniLM-klimacoder_v0.4

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:

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
• 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	'"Die jungen Revolutionäre: Klima-Aktivist*innen erzwingen politische Verantwortung!\n\nInmitten der politischen Apathie und korporatistischen Dominanz, gibt es Hoffnung: die jungen Menschen, die sich für den Schutz unseres Planeten einsetzen. Die Fridays for Future-Demonstrationen und ähnliche Aktionen zeigen, dass die Zeit des Stillstands vorbei ist. Es ist an der Zeit, dass Politiker endlich handeln, anstatt nur zu reden - und die jungen Menschen sind bereit, den Druck auszuüben, um dies zu erreichen."' 'Die Bundesregierung plant die flächendeckende Einführung von Wärmepumpen in Deutschland. Ziel ist es, den Anteil erneuerbarer Wärme an der Gesamtwärmeversorgung zu erhöhen und den CO2-Ausstoß zu reduzieren. Die Initiative soll auch die Energieeffizienz verbessern und die Abhängigkeit von fossilen Brennstoffen verringern. Experten hoffen, dass diese Maßnahme einen wichtigen Schritt in Richtung einer klimafreundlichen Zukunft darstellt.' '„Heizkosten senken, CO2 reduzieren: Bund und Länder planen flächendeckende Einführung von Wärmepumpen. Die Initiative soll bis 2030 umgesetzt werden. Experten hoffen, dass die Maßnahme nicht nur den Klimaschutz fördert, sondern auch die Heizkosten für Millionen deutscher Haushalte senkt. In Zukunft sollen Wärmepumpen in neuen Gebäuden standardmäßig vorgesehen werden, um eine emissionsarme und wirtschaftliche Erwärmung zu ermöglichen.“'
opposed	'"Klima-Dramatik auf der Straße: Radikale Aktivisten blockieren die Realität ab"\n\nDie jüngste Aktion von "Fridays for Future" in Berlin hat wieder gezeigt, dass die Proteste der Klima-Aktivist*innen nicht nur lärmig und lahmlegen, sondern auch sinnlos sind. Statt konstruktiv an Lösungen zu arbeiten, verbringen sie ihre Zeit damit, Straßen zu blockieren und die Alltäglichkeit in Berlin zu stören. Wir brauchen Handlungsabkömmlinge, nicht bloße Demonstranten.' '"Steuernde Fehlplanung: Grüne Wärme-Pumpe-Hysterie kostet Steuerzahler Milliarden"\n\nDie Regierung will uns mit einer teuren, ineffizienten und unpraktischen Wärmepumpen-Revolution in die Zukunft führen. Die flächendeckende Einführung dieser teuren Geräte wird den Stromverbrauch erhöhen, die Steuerzahler belasten und unsere Umwelt nicht wirklich schützen. Wir brauchen eine realistische Energiewende, nicht eine teure Fehlplanung von Grünen, die sich in ihre eigene Welt versenken."' 'Neue Schikane an den Straßen: Bund plant Tempo-Limit für Autobahnen\nEin neuer Vorschlag des Bundesverkehrswegeplans (BVWP) will eine allgemeine Geschwindigkeitsbegrenzung auf Autobahnen einführen. Laut Plänen soll die Höchstgeschwindigkeit von derzeit 130 km/h auf 120 km/h reduziert werden. Kritiker warnen vor Auswirkungen auf den Verkehr und die Wirtschaft, da sich dies zu erheblichen Verzögerungen führen könnte, insbesondere bei Lkw-Fahrten. Der Vorschlag wird in der nächsten Sitzung des Bundesverkehrsministeriums diskutiert.'

Evaluation

Metrics

Label	Accuracy
all	1.0

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_v0.4")
# Run inference
preds = model("\"Von 'Klimakriegen' zu rechten Schreien in die Menge: Proteste der jungen Aktivisten überfordern die Gesellschaft. Statt produktiven Lösungsansätzen für den Klimawandel, sorgen diese Gruppen lediglich für Aufsehen und Chaos auf Straßen und Plätzen. Es ist höchste Zeit, dass sich die Jugendlichen von solchen Aktionismus distanzieren und sich an tatsächliche politische Gestaltung beteiligen.\"")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	36	64.4771	98

Label	Training Sample Count
opposed	235
supportive	245

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
0.0003	1	0.2397	-
0.0138	50	0.253	-
0.0276	100	0.152	-
0.0415	150	0.0264	-
0.0553	200	0.0064	-
0.0691	250	0.0014	-
0.0829	300	0.0007	-
0.0968	350	0.0003	-
0.1106	400	0.0002	-
0.1244	450	0.0002	-
0.1382	500	0.0002	-
0.1521	550	0.0001	-
0.1659	600	0.0001	-
0.1797	650	0.0003	-
0.1935	700	0.0001	-
0.2074	750	0.0001	-
0.2212	800	0.0001	-
0.2350	850	0.0	-
0.2488	900	0.0	-
0.2626	950	0.0	-
0.2765	1000	0.0	-
0.2903	1050	0.0	-
0.3041	1100	0.0	-
0.3179	1150	0.0	-
0.3318	1200	0.0	-
0.3456	1250	0.0	-
0.3594	1300	0.0	-
0.3732	1350	0.0	-
0.3871	1400	0.0	-
0.4009	1450	0.0	-
0.4147	1500	0.0	-
0.4285	1550	0.0	-
0.4424	1600	0.0	-
0.4562	1650	0.0	-
0.4700	1700	0.0	-
0.4838	1750	0.0	-
0.4976	1800	0.0	-
0.5115	1850	0.0	-
0.5253	1900	0.0	-
0.5391	1950	0.0	-
0.5529	2000	0.0	-
0.5668	2050	0.0	-
0.5806	2100	0.0	-
0.5944	2150	0.0	-
0.6082	2200	0.0	-
0.6221	2250	0.0	-
0.6359	2300	0.0	-
0.6497	2350	0.0	-
0.6635	2400	0.0	-
0.6774	2450	0.0	-
0.6912	2500	0.0	-
0.7050	2550	0.0	-
0.7188	2600	0.0	-
0.7327	2650	0.0	-
0.7465	2700	0.0	-
0.7603	2750	0.0	-
0.7741	2800	0.0	-
0.7879	2850	0.0	-
0.8018	2900	0.0	-
0.8156	2950	0.0	-
0.8294	3000	0.0	-
0.8432	3050	0.0	-
0.8571	3100	0.0	-
0.8709	3150	0.0	-
0.8847	3200	0.0	-
0.8985	3250	0.0	-
0.9124	3300	0.0	-
0.9262	3350	0.0	-
0.9400	3400	0.0	-
0.9538	3450	0.0	-
0.9677	3500	0.0	-
0.9815	3550	0.0	-
0.9953	3600	0.0	-

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}
}