korscideberta

Model Card for KorSciDeBERTa

<!-- Provide a quick summary of what the model is/does. -->

KorSciDeBERTa는 Microsoft DeBERTa 모델의 아키텍쳐를 기반으로, 논문, 연구 보고서, 특허, 뉴스, 한국어 위키 말뭉치 총 146GB를 사전학습한 모델입니다.

마스킹된 언어 모델링 또는 다음 문장 예측에 사전학습 모델을 사용할 수 있고, 추가로 문장 분류, 단어 토큰 분류 또는 질의응답과 같은 다운스트림 작업에서 미세 조정을 통해 사용될 수 있습니다.

Model Details

Model Description

<!-- Provide a longer summary of what this model is. -->

• Developed by: KISTI
• Model type: deberta-v2
• Language(s) (NLP): 한글(ko)

Model Sources

<!-- Provide the basic links for the model. -->

• Repository 1: https://huggingface.co/kisti/korscideberta
• Repository 2: https://aida.kisti.re.kr/

Uses

Downstream Use

Load Huggingface model directly

<!-- This section is for the model use when fine-tuned for a task, or when plugged into a larger ecosystem/app -->

1. 형태소 분석기(Mecab) 등 설치 필수 - KorSciDeBERTa 환경설치+파인튜닝.pdf

• Mecab 설치 참고: 다음 링크에서 '사용방법'. https://aida.kisti.re.kr/model/9bbabd2d-6ce8-44cc-b2a3-69578d23970a

• 다음 에러 발생시: SetuptoolsDepreciationWarning: Invalid version: '0.996/ko-0.9.2' - https://datanavigator.tistory.com/54

• Colab 사용하는 경우 Mecab 설치(위의 사용자 사전 추가 설치하지 않을 시 베이스라인 정확도 0.786으로 감소함):

<pre><code> !git clone https://github.com/SOMJANG/Mecab-ko-for-Google-Colab.git %cd Mecab-ko-for-Google-Colab/ !bash install_mecab-ko_on_colab_light_220429.sh </code></pre>

• ImportError: accelerate>=0.20.1 에러 발생시 해결법

!pip install -U accelerate; pip install -U transformers; pip install pydantic==1.8 (설치 후 런타임 재시작)

• 토크나이저 로드 에러 발생시 해결법

git-lfs 설치 확인 및 spm.model 정상 다운로드 & 용량(2.74mb) 확인 (apt-get install git git-lfs)

Make sure you have git-lfs installed (git lfs install)

1. apt-get install git-lfs; git clone https://huggingface.co/kisti/korscideberta; cd korscideberta

• korscideberta-abstractcls.ipynb

<pre><code> !pip install transformers==4.36.0 from tokenization_korscideberta_v2 import DebertaV2Tokenizer from transformers import AutoModelForSequenceClassification tokenizer = DebertaV2Tokenizer.from_pretrained("kisti/korscideberta") model = AutoModelForSequenceClassification.from_pretrained("kisti/korscideberta", num_labels=7, hidden_dropout_prob=0.1, attention_probs_dropout_prob=0.1) #model = AutoModelForMaskedLM.from_pretrained("kisti/korscideberta") '''''' train_metrics = trainer.train().metrics trainer.save_metrics("train", train_metrics) trainer.push_to_hub() </code></pre>

KorSciDeBERTa native code

KorSciDeBERTa 환경설치+파인튜닝.pdf 참조

• 파인튜닝(원본 DeBERTa 참고): https://github.com/microsoft/DeBERTa/tree/master#run-deberta-experiments-from-command-line

• korscideberta.zip

<pre><code> apt-get install git git-lfs git clone https://huggingface.co/kisti/korscideberta; cd korscideberta; unzip korscideberta.zip -d korscideberta '''''' cd korscideberta/experiments/glue; chmod 777 *.sh; ./mnli.sh </code></pre>

pip를 이용한 KorSciDeBERTa 설치

위 코드는 사용 위치 폴더에 두고 import해서 써야해서 불편할 수 있습니다. 그래서, pip 명령으로 가상 환경(콘다 환경)에 설치할 수 있도록 pyproject.toml을 기술하였고, tokenization.py에서 normalize.py와 unicode.py를 import할 때, "korscideberta."을 추가하여, korscideberta 패키지를 import하여 쓸 수 있습니다.

./ 위치에서 다음과 같이 실행하면, 현재 콘다 환경에 korscideberta 라는 이름으로 설치됩니다. pyproject.toml에 dependencies를 기술하여 필요한 패키지(버전)(eg. sentencepiece, mecab, konlpy)을 확인하고 같이 설치합니다. $ pip install .

설치 후에는 아래와 같이 import해서 사용할 수 있습니다.

<pre><code> import korscideberta tokenizer = korscideberta.tokenization_korscideberta_v2.DebertaV2Tokenizer.from_pretrained(path) </code></pre>

Out-of-Scope Use

<!-- This section addresses misuse, malicious use, and uses that the model will not work well for. -->

이 모델은 의도적으로 사람들에게 적대적이나 소외된 환경을 조성하는데 사용되어서는 안 됩니다.

이 모델은 '고위험 설정'에서 사용될 수 없습니다. 이 모델은 사람이나 사물에 대한 중요한 결정을 내릴 수 있게 설계되지 않았습니다. 모델의 출력물은 사실이 아닐 수 있습니다.

'고위험 설정'은 다음과 같은 사항을 포함합니다:

의료/정치/법률/금융 분야에서의 사용, 고용/교육/신용 분야에서의 인물 평가, 자동으로 중요한 것을 결정하기, (가짜)사실을 생성하기, 신뢰도 높은 요약문 생성, 항상 옳아야만 하는 예측 생성 등.

Bias, Risks, and Limitations

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

연구목적으로 저작권 문제가 없는 말뭉치 데이터만을 사용하였습니다. 이 모델의 사용자는 아래의 위험 요인들을 인식해야 합니다.

사용된 말뭉치는 대부분 중립적인 성격을 가지고 있는데도 불구하고, 언어 모델의 특성상 아래와 같은 윤리 관련 요소를 일부 포함할 수 있습니다:

특정 관점에 대한 과대/과소 표현, 고정 관념, 개인 정보, 증오/모욕 또는 폭력적인 언어, 차별적이거나 편견적인 언어, 관련이 없거나 반복적인 출력 생성 등.

Training Details

Training Data

<!-- This should link to a Data Card, perhaps with a short stub of information on what the training data is all about as well as documentation related to data pre-processing or additional filtering. -->

논문, 연구 보고서, 특허, 뉴스, 한국어 위키 말뭉치 총 146GB

Training Procedure

KISTI HPC NVIDIA A100 80G GPU 24EA에서 2.5개월동안 1,600,000 스텝 학습

Preprocessing

• 과학기술분야 토크나이저 (KorSci Tokenizer)
• 본 사전학습 모델에서 사용된 코퍼스를 기반으로 명사 및 복합명사 약 600만개의 사용자사전이 추가된 Mecab-ko Tokenizer와 기존 SentencePiece-BPE가 병합되어진 토크나이저를 사용하여 말뭉치를 전처리하였습니다.
• Total 128,100 words
• Included special tokens ( < unk >, < cls >, < s >, < mask > )
• File name : spm.model, vocab.txt

Training Hyperparameters

• model_type: deberta-v2
• model_size: base
• parameters: 180M
• hidden_size: 768
• num_hidden_layers: 12
• num_attention_heads: 12
• num_train_steps: 1,600,000
• train_batch_size: 4,096 * 4 accumulative update = 16,384
• learning_rate: 1e-4
• max_seq_length: 512
• vocab_size: 128,100
• Training regime: fp16 mixed precision <!--fp32, fp16 mixed precision, bf16 mixed precision, bf16 non-mixed precision, fp16 non-mixed precision, fp8 mixed precision -->

Evaluation

<!-- This section describes the evaluation protocols and provides the results. -->

Testing Data, Factors & Metrics

Testing Data

<!-- This should link to a Data Card if possible. -->

본 언어모델의 성능평가는 논문 연구분야 분류 데이터에 파인튜닝하여 평가하는 방식을 사용하였으며, 그 결과는 아래와 같습니다.

• 논문 연구분야 분류 데이터셋(doi.org/10.23057/50), 논문 3만 건, 분류 카테고리 수 - 대분류: 33개, 중분류: 372개, 소분류: 2898개

Metrics

<!-- These are the evaluation metrics being used, ideally with a description of why. -->

F1-micro/macro: 정답 Top3 중 최소 1개 예측시 성공 기준

F1-strict: 정답 Top3 중 예측한 수 만큼 성공 기준

Results

F1-micro: 0.85, F1-macro: 0.52, F1-strict: 0.71

Technical Specifications

Model Objective

MLM is a technique in which you take your tokenized sample and replace some of the tokens with the < mask > token and train your model with it. The model then tries to predict what should come in the place of that < mask > token and gradually starts learning about the data. MLM teaches the model about the relationship between words.

Eg. Suppose you have a sentence - 'Deep Learning is so cool! I love neural networks.', now replace few words with the < mask > token.

Masked Sentence - 'Deep Learning is so < mask >! I love < mask > networks.'

Compute Infrastructure

KISTI 국가슈퍼컴퓨팅센터 NEURON 시스템. HPE ClusterStor E1000, HP Apollo 6500 Gen10 Plus, Lustre, Slurm, CentOS 7.9

Hardware

NVIDIA A100 80G GPU 24EA

Software

Python 3.8, Cuda 10.2, PyTorch 1.10

Citation

<!-- If there is a paper or blog post introducing the model, the APA and Bibtex information for that should go in this section. -->

한국과학기술정보연구원 (2023) : 한국어 과학기술분야 DeBERTa 사전학습 모델 (KorSciDeBERTa). Version 1.0. 한국과학기술정보연구원.

Model Card Authors

김성찬, 김경민, 김은희, 이민호, 이승우. 한국과학기술정보연구원 인공지능데이터연구단

Model Card Contact

김성찬, sckim kisti.re.kr 김경민