SentenceTransformer based on CLTL/MedRoBERTa.nl

This is a sentence-transformers model finetuned from CLTL/MedRoBERTa.nl. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: CLTL/MedRoBERTa.nl
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'RobertaModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'Wat zijn de voordelen van het gebruik van geofysische technieken bij forensisch slachtofferonderzoek?',
    'Geofysische technieken bieden verschillende voordelen bij forensisch slachtofferonderzoek. Ze maken snelle en niet-invasieve verkenningen van uitgebreide verdachte gebieden mogelijk, waardoor onderzoekers waardevolle tijd, geld en middelen besparen. Deze technieken kunnen anomalieën opsporen die verder onderzocht kunnen worden op conventionele wijze. Daarnaast kunnen vervolggeofysische onderzoeken kenmerken van de begrafenis vaststellen, zoals diepte, oriëntatie, grootte, distributie en toestand. Echter, het succes van deze technieken hangt af van gunstige terreincondities, geschikte forensische protocollen en de optimalisatie en het gebruik van geofysische technieken.',
    'CD4+ cellen die constitutief CD25 tot expressie brengen, de interleukine-2-receptor α-keten, worden over het algemeen beschouwd als natuurlijke Treg-cellen. Deze cellen spelen een rol bij het reguleren van immuunresponsen en het handhaven van immuun tolerantie. Ze vormen 5-10% van alle perifere CD4+ T-cellen bij gezonde dieren en mensen.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.8875, -0.0740],
#         [ 0.8875,  1.0000, -0.0313],
#         [-0.0740, -0.0313,  1.0000]])

Training Details

Training Dataset

Miriad Q/A

Size: 4,486,855 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 8 tokens
mean: 24.26 tokens
max: 59 tokens

min: 18 tokens
mean: 105.92 tokens
max: 278 tokens

	sentence_0	sentence_1
type	string	string
details	min: 8 tokens mean: 24.26 tokens max: 59 tokens	min: 18 tokens mean: 105.92 tokens max: 278 tokens

Samples:

sentence_0	sentence_1
`Waarom behouden kankercellen hun TRAIL-receptorexpressie wanneer ze resistent zijn tegen TRAIL-geviseerde apoptose?`	Ondanks dat ze resistent zijn tegen TRAIL-geviseerde apoptose, behouden kankercellen vaak hun TRAIL-receptorexpressie. Dit komt doordat de expressie van bepaalde TRAIL-receptoren, zoals DR5, de proliferatie en de progressie van apoptose-resistente tumoren ondersteunt. Het verminderen van DR5 is aangetoond dat het de proliferatie van bepaalde kankercellijnen verlaagt. De expressie van DR5 op kankercellen kan tumorgroei, invasie en metastase veroorzaken, vooral in aanwezigheid van gemuteerd KRAS. Bovendien hebben recente studies aangetoond dat TRAIL-receptoren ook in het cytoplasma en de kern van kankercellen kunnen voorkomen, wat wijst op aanvullende rollen in tumorgroei en resistentie tegen apoptotische stimuli.
`Waarom zijn de preerythrocytische stadia van de malaria-parasiet aantrekkelijke vaccindoelen?`	De preerythrocytische (PE) stadia van de malaria-parasiet, inclusief de sporozoïten en leverstadia, zijn asymptomatisch. Het richten op deze stadia met een vaccin kan alle ziekte en de vestiging van circulerende seksuele stadium-parasietpopulaties die overdraagbaar zijn, voorkomen. Er wordt gewerkt aan het identificeren van nieuwe antilichaamdoelen voor PE-stadia op basis van uitgebreide gegevens over het sporozoïtensurface-proteoom en secretome, evenals een beter begrip van de biologische processen van parasietcelovergang en hepatocytinvasie.
`Wat zijn de verschillende niches voor stamcellen en voorlopercellen binnen de huid, en hoe dragen deze niches bij aan het regeneratieve potentieel van huidcellen?`	De huid bevat diverse niches voor stamcellen en voorlopercellen, waaronder de haarfollikelbult, interfolliculaire epidermis, haarfollikelpapil, haarfollikelomhulsel, pericyten, zweetklieren en dermale niches. Deze niches herbergen verschillende typen stamcellen die kunnen differentiëren in diverse celtypen, zoals neuronen, Schwann-cellen, myofibroblasten, melanocyten en bot-/kraakbeencellen. De aanwezigheid van deze niches wijst op een rijke bron van regeneratief potentieel binnen de huid voor verschillende weefseltypes.

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim",
    "gather_across_devices": false,
    "directions": [
        "query_to_doc"
    ],
    "partition_mode": "joint",
    "hardness_mode": null,
    "hardness_strength": 0.0
}

Training Hyperparameters

Non-Default Hyperparameters

num_train_epochs: 5
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

per_device_train_batch_size: 8
num_train_epochs: 5
max_steps: -1
learning_rate: 5e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0
optim: adamw_torch
optim_args: None
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
optim_target_modules: None
gradient_accumulation_steps: 1
average_tokens_across_devices: True
max_grad_norm: 1
label_smoothing_factor: 0.0
bf16: False
fp16: False
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
use_liger_kernel: False
liger_kernel_config: None
use_cache: False
neftune_noise_alpha: None
torch_empty_cache_steps: None
auto_find_batch_size: False
log_on_each_node: True
logging_nan_inf_filter: True
include_num_input_tokens_seen: no
log_level: passive
log_level_replica: warning
disable_tqdm: False
project: huggingface
trackio_space_id: trackio
eval_strategy: no
per_device_eval_batch_size: 8
prediction_loss_only: True
eval_on_start: False
eval_do_concat_batches: True
eval_use_gather_object: False
eval_accumulation_steps: None
include_for_metrics: []
batch_eval_metrics: False
save_only_model: False
save_on_each_node: False
enable_jit_checkpoint: False
push_to_hub: False
hub_private_repo: None
hub_model_id: None
hub_strategy: every_save
hub_always_push: False
hub_revision: None
load_best_model_at_end: False
ignore_data_skip: False
restore_callback_states_from_checkpoint: False
full_determinism: False
seed: 42
data_seed: None
use_cpu: False
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
parallelism_config: None
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_pin_memory: True
dataloader_persistent_workers: False
dataloader_prefetch_factor: None
remove_unused_columns: True
label_names: None
train_sampling_strategy: random
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
ddp_backend: None
ddp_timeout: 1800
fsdp: []
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
warmup_ratio: None
local_rank: -1
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs