Przetwarzanie_tekstu/projekt/README.md

Projekt

Wykrywanie czy podany SMS to spam - klasyfikacja.

Zbiór danych

Wykorzystaliśmy zbiór danych sms spam. Dataset posiada tylko zbiór treningowy dlatego w trakcie uczenia modeli podzielilśmy go na 3 podzbiory (wyjątek few-shot learning):

• zbiór testowy 1 000 przykładów
• zbiór treningowy 4 116 przykładów
• zbiór walidacyjny 458 przykładów

W każdym podzbiorze ocenialiśmy zrównoważenie klas.

Ewaluacja

Ewaluacja modeli występuje po etapie trenowania na zbiorze testowym. Metryki:

• accuracy 0-100%
• Matthews’s correlation coefficient - w skrócie accuracy, tylko bierze pod uwagę zbalansowanie zbioru, wyniki: -1 przeciwne predykcje, 0 losowe, 1 idealna predykcja.

Rozwiązania

Wykorzystaliśmy 4 modele - BERT, GPT2, T5 oraz FLAN-T5

Transformer Encoder - BERT

Najważniejsze cechy:

• wytrenowany model: bert-base-uncased
• typ modelu transformers.BertForSequenceClassification
• input modelu - treść smsa
• output modelu - klasa 1 lub 2
• finetuning na zbiorze treningowym
  • adamW optimizer
  • learning rade 2e-5
  • 32 batch size
  • 4 epoch
• Accuracy: 99%
• MCC: 0.973

Transformer Encoder - BERT - modyfikacja

Najważniejsze cechy:

• wytrenowany model: bert-base-uncased
• typ modelu zmodyfikowany transformers.BertForSequenceClassification - dodatkowa warstwa liniowa
• input modelu - treść smsa
• output modelu - klasa 1 lub 2
• finetuning na zbiorze treningowym
  • adamW optimizer
  • learning rade 2e-5
  • 32 batch size
  • 4 epoch
• Accuracy: 99.5%
• MCC: 0.981

Transformer Decoder - GPT2

Najważniejsze cechy:

• wytrenowany model gpt2
• typ modelu transformers.GPT2ForSequenceClassification
• input modelu - treść smsa
• output modelu - klasa 1 lub 2
• finetuning na zbiorze treningowym
  • adamW optimizer
  • learning rate 2e-5
  • 8 batch size (because of OOM)
  • 4 epoch
• Accuracy: 99%
• MCC: 0.960

Transformer Decoder - GPT2 - modyfikacja

Najważniejsze cechy:

• wytrenowany model gpt2
• typ modelu zmodyfikowany transformers.GPT2ForSequenceClassification - dodatkowe dwie warstwy liniowe
• input modelu - treść smsa
• output modelu - klasa 1 lub 2
• finetuning na zbiorze treningowym
  • adamW optimizer
  • learning rate 2e-5
  • 8 batch size
  • 4 epoch
• Accuracy: 99.1%
• MCC: 0.958

Transformer Encoder-Decoder - T5

Najważniejsze cechy:

• wytrenowany model t5-base
• typ modelu transformers.T5ForConditionalGeneration
• input modelu - 'binary classification: ' + treść smsa
• output modelu - tekstowo '0' lub '1'
• finetuning na zbiorze treningowym
  • adamW optimizer
  • learning rate 3e-4
  • 16 batch size
  • 4 epoch
• Accuracy: 87%
• MCC: 0.042
• Ciekawostka - accuracy bez finetuningu to 30% (dla klas wyjściowych True False)

Few-shot Transformer Encoder-Decoder - FLAN-T5

Najważniejsze cechy:

• wytrenowany model google/flan-t5-base
• typ modelu transformers.AutoModelForSeq2SeqLM
• input modelu - 4 przykłady + docelowy sms

  SMS: Go until jurong point, crazy.. Available only in bugis n great world la e buffet... Cine there got amore wat...
  Spam: False
  
  SMS: Todays Voda numbers ending 7548 are selected to receive a $350 award. If you have a match please call 08712300220 quoting claim code 4041 standard rates app
  Spam: True
  
  SMS: LMAO where's your fish memory when I need it?
  Spam: False
  
  SMS: This message is free. Welcome to the new & improved Sex & Dogging club! To unsubscribe from this service reply STOP. msgs@150p 18+only
  Spam: True
  
  SMS: treść docelowego smsa
  Spam: 
  

• output modelu - tekstowo 'True' lub 'False'
• Ewaluacja na całym zbiorze bez 4 przykładów
• Accauracy: 46%
• MCC: -0.001

Wnioski

BERT oraz GPT2

Dzięki głowie modelu, która jest przeznaczona specjalnie do zadania klasyfikacji tekstu, modele osiągnęły prawie perfekcyjny wynik accuracy i MCC. Dalsze modyfikacje są zbędne, ponieważ nie poprawiłby znacząco rezultatów.

T5 oraz FLAN-T5

Modele T5 oraz FLAN-T5 to modele text-2-text, których głównym celem jest multizadaniowość. Nie są zoptymalizowane do zadania klasyfikacji, ale mimo to osiągnęły dobry wynik. W modelu T5 bardzo ważne jest określnie zadania w prefixie inputu, które będzie wykonywał model. Testowaliśmy różne kombinacje - brak prefixu, dokładny opis zadania, różne klasy wyjściowe, ale najlepsze rezultaty uzyskał prefix 'binary classification: ' z klasami wyjściowymi '0' lub '1'. Niski MCC świadczy o niezbalansowaniu predykcji.

FLAN-T5 to zoptymalizowany model T5. Został dodatkowo finetunowany na większym zbiorze danych. Przy uczeniu FLAN-T5 zastosowaliśmy metodę few-shot learning. Model mimo bardzo małej ilości przykładów osiągnął accuracy na poziomie 46%, jednak wynik MCC wskazuje na duże niezbalansowanie i losowe predykcje. Jest to jednak bardzo ciekawe, że wykorzystując tylko 4 przykady do uczenia, model może odpowiadać z pasującymi wynikami (niekoniecznie prawdziwymi).

FLAN-T5 - testy

Wersja	Rozmiar	Prefiks	Acc
1	base	Content of the text message: [sms_content] Answer if this text message is spam or not [True,False]	0.503593244699964
2	large	Content of the text message: [sms_content] Answer if this text message is spam or not [True,False]	0.46119295724038806
3	base	The text message contains the following content: [sms_content] Is it true that the content of a text message is spam: [True,False]	0.2551203736974488
4	large	The text message contains the following content: [sms_content] Is it true that the content of a text message is spam: [True,False]	0.1433704635285663
5	base	The text message: [sms_content] Is this sms spam? Ans: [True,False]	0.28404599353215954
6	large	The text message: [sms_content] Is this sms spam? Ans: [True,False]	0.20786920589292132

Modele

Bazowe rozwiązania

https://drive.google.com/drive/folders/1wpoxkwzDtiQhygXCRT4M-Gbrenz-QOLH?usp=sharing

Modele FLAN_T5 - testy

1. https://drive.google.com/drive/folders/1XO2TEMIKKFXCwpeW1X51hpC89LShCZ6c?usp=share_link
2. https://drive.google.com/drive/folders/1-3DEVCcxhRGSmEVx3jK4SUVVIUixNKqS?usp=share_link
3. https://drive.google.com/drive/folders/1-0Ct4JFzRhyo3bGuOc9ttZhaV4ghQRFx?usp=share_link
4. https://drive.google.com/drive/folders/1-1YgvI9-2cpkRO1hSlYU-hJFH2a1rmDp?usp=share_link
5. https://drive.google.com/drive/folders/1-4KINMK9L_VyCZGpCDueazmF2DUbRXTn?usp=share_link
6. https://drive.google.com/drive/folders/1-3gQuzZVq6IMqcY1nDu2hazVD0dN6F-K?usp=share_link