damage-cause-encoder-v05

Bridge Damage Cause Encoder v0.5 (QLoRA)

橋梁損傷原因分類のための日本語BERTベースのQLoRAモデル

このモデルは、橋梁の損傷記述から原因を10カテゴリに分類する深層学習モデルです。RC床版、コンクリート桁橋、床版橋の診断ロジックPDFから抽出した因果トリプル（Si → Ci）を活用し、4-bit量子化LoRA（QLoRA）で効率的にファインチューニングされています。

モデル概要

性能指標

比較（v0.5実験結果）:

• LoRA (FP16): Test 87.07%, Diverse 34.0%, 1.45 GB GPU
• QLoRA (4-bit): Test 87.07%, Diverse 47.0% ⭐, 0.40 GB GPU (-72%)
• QA-LoRA: Test 85.34%, Diverse 30.0%, 0.42 GB GPU

→ QLoRAが最善: 同等のテスト精度で、未見パターンへの汎化が13%向上、GPU使用量72%削減

損傷原因カテゴリ（10クラス）

使用方法

必要なライブラリ

pip install transformers peft torch bitsandbytes sentence-transformers faiss-cpu

推論コード

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
from peft import PeftModel, PeftConfig

# モデルとトークナイザーのロード
model_id = "yasunotkt/damage-cause-encoder-v05"
config = PeftConfig.from_pretrained(model_id)
base_model = AutoModelForSequenceClassification.from_pretrained(
    config.base_model_name_or_path,
    num_labels=10,
    device_map="auto"
)
model = PeftModel.from_pretrained(base_model, model_id)
tokenizer = AutoTokenizer.from_pretrained(model_id)

# 推論
def predict_damage_cause(damage_description, context=""):
    """
    損傷記述から原因を予測
    
    Args:
        damage_description: 損傷の記述（Si）
        context: 関連する因果知識（Ci）。オプション。
    
    Returns:
        予測ラベルID、ラベル名、確率
    """
    labels = ["塩害", "凍害", "土砂化", "疲労", "鉄筋腐食", "ASR", 
              "ボイド管浮き陥没", "滞水", "連結桁", "その他"]
    
    # 入力テキストの作成
    text = damage_description
    if context:
        text = f"{damage_description} {tokenizer.sep_token} {context}"
    
    # トークナイズと推論
    inputs = tokenizer(text, return_tensors="pt", max_length=512, 
                       truncation=True, padding=True).to(model.device)
    
    with torch.no_grad():
        outputs = model(**inputs)
        probs = torch.softmax(outputs.logits, dim=1)
        pred_id = torch.argmax(probs, dim=1).item()
        confidence = probs[0][pred_id].item()
    
    return pred_id, labels[pred_id], confidence

# 使用例
damage_text = "床版下面に遊離石灰が白く析出し、鉄筋位置に沿って縦方向のひびわれが確認される"
pred_id, cause, conf = predict_damage_cause(damage_text)
print(f"予測原因: {cause} (ID: {pred_id})")
print(f"確信度: {conf:.2%}")

FAISSを使った文脈取得付き推論

完全な推論パイプライン（FAISS triple index + LLM filter + QLoRA）については、プロジェクトリポジトリをご覧ください： https://github.com/tk-yasuno/damage_cause_encoder

トレーニング詳細

データセット

• ソース: 35 PDF files（RC床版、コンクリート桁橋、床版橋の診断ロジック）
• 抽出トリプル: 6,745件（テキスト + 図表）
• トレーニングサンプル: 342件
• 検証サンプル: 115件
• テストセット（Golden）: 116件（15 PDFから手動作成）

ハイパーパラメータ

base_model: cl-tohoku/bert-large-japanese-v2
quantization: 4-bit NF4 + double quantization
lora_r: 16
lora_alpha: 32
lora_dropout: 0.1
target_modules: [query, key, value, dense]
learning_rate: 2e-4
batch_size: 4
gradient_accumulation_steps: 8
epochs: 20
max_length: 512
optimizer: AdamW
loss_function: Weighted CrossEntropy (inverse frequency)

トレーニング環境

• GPU: NVIDIA RTX 4060 Ti 16GB
• CUDA: 12.6
• メモリ使用量: 0.40 GB (QLoRA)
• トレーニング時間: ~10分（20 epochs）
• フレームワーク: PyTorch 2.6.0, Transformers, PEFT, BitsAndBytes

アルゴリズムパイプライン

1. PDFからOCR抽出（PaddleOCR + pypdfium2）
   ↓
2. 因果トリプル抽出（Qwen2.5 7B）
   ↓
3. FAISS dense retrieval（hotchpotch/static-embedding-japanese）
   ↓
4. LLM relevance filter（Qwen2.5 7B）
   ↓
5. QLoRA分類器（本モデル）
   ↓
6. 損傷原因（10クラス）

制限事項と今後の展望

制限事項

1. 日本語専用 - 橋梁診断の専門用語に特化
2. 限定的なドメイン - RC床版、コンクリート桁橋、床版橋のみ
3. 小規模データセット - 35 PDF、~400サンプル
4. クラス不均衡 - 「塩害」が支配的（バランシング済み）
5. 文脈依存 - 最適性能にはFAISSによる文脈取得が必要

v1.0での改善予定

• マルチモーダル融合（Vision Encoder + Text Encoder）
• ハイブリッド検索（BM25 + Dense + Reranker）
• より大規模なデータセット（100+ PDFs）
• テストセットによる厳密な評価（70/15/15 split）

引用

このモデルを研究で使用する場合は、以下を引用してください：

@software{damage_cause_encoder_v05,
  title = {Damage Cause Encoder: Deep Learning for Bridge Damage Classification with QLoRA},
  author = {Damage Cause Encoder Project Team},
  year = {2026},
  version = {0.5},
  url = {https://github.com/tk-yasuno/damage_cause_encoder},
  note = {QLoRA achieves 87.07\% test accuracy with 72\% GPU memory reduction}
}

関連リンク

• GitHub: https://github.com/tk-yasuno/damage_cause_encoder
• 詳細ドキュメント: LESSON_v05_LoRA_Comparison.md
• 実験レポート: RESULT_15pdf_10class_n428.md

謝辞

• ベースモデル: cl-tohoku/bert-large-japanese-v2 by Tohoku NLP Group
• PEFT/LoRA: Hugging Face PEFT library
• QLoRA: Tim Dettmers et al., arXiv:2305.14314

---

開発者: Damage Cause Encoder Project Team
最終更新: 2026-07-25
バージョン: v0.5
連絡先: GitHub Issues

Speeds, Sizes, Times [optional]

<!-- This section provides information about throughput, start/end time, checkpoint size if relevant, etc. -->

[More Information Needed]

Evaluation

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

Testing Data, Factors & Metrics

Testing Data

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

[More Information Needed]

Factors

<!-- These are the things the evaluation is disaggregating by, e.g., subpopulations or domains. -->

[More Information Needed]

Metrics

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

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

<!-- Relevant interpretability work for the model goes here -->

[More Information Needed]

Environmental Impact

<!-- Total emissions (in grams of CO2eq) and additional considerations, such as electricity usage, go here. Edit the suggested text below accordingly -->

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

• Hardware Type: [More Information Needed]
• Hours used: [More Information Needed]
• Cloud Provider: [More Information Needed]
• Compute Region: [More Information Needed]
• Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

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

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

<!-- If relevant, include terms and calculations in this section that can help readers understand the model or model card. -->

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

Framework versions

• PEFT 0.19.1