KTeleBERT

Ktelebert

Tele-conhecimento pré-treinamento para análise de falhas

Autor: Zhuo Chen †, Wen Zhang †, Yufeng Huang, Mingyang Chen, Yuxia Geng, Hongtao Yu, Zhen BI, Yichi Zhang, Zhen Yao, Huajun Chen (College of Computer Science, Zhejang University ) Wenting Song, Xinlia Yingying Li, Lei Cheng (NAIE PDU, Huawei Technologies Co., Ltd.) Neste artigo, propomos um modelo de linguagem pré-treinado por teleomínio chamado Telebert para aprender o conhecimento semântico geral no campo de telecomunicações e a sua versão aprimorada, que é a tensão que a TELGETING RICKINCIFLIGY On Telging Cowlelgide e o Knowlenhos, que é possível que o conhecimento da TELGETING RICKINCILHETENSET RICKINCIONETENSET RICKINCIONCIONCIONATIONET, o que há informações sobre o que há de teatro.

Tele-dados

• Os exemplos de dados estão disponíveis here . Considerando a sensibilidade de alguns dados, não podemos publicar todos eles.

? Fluxo de trabalho

? ANENC

? Visualização

• Visualização para dados numéricos

• Visualização para dados anormais de detecção de KPI

Uso

Requisitos

• transformers >= 4.21.2
• PyTorch >= 1.6.0
• tqdm
• ltp

Parâmetro

Para mais detalhes: config.py

  --train_strategy 
  --batch_size 
  --batch_size_ke 
  --batch_size_od 
  --batch_size_ad 
  --epoch 
  --save_model {0,1}
  --save_pretrain {0,1}
  --from_pretrain {0,1}
  --dump_path   Experiment dump path
  --random_seed 
  --train_ratio  ratio for train/test
  --final_mlm_probability 
  --mlm_probability_increase {linear,curve}
  --mask_stratege {rand,wwm,domain}
  --ernie_stratege 
  --use_mlm_task {0,1}
  --add_special_word {0,1}
  --freeze_layer {0,1,2,3,4}
  --special_token_mask {0,1}
  --emb_init {0,1}
  --cls_head_init {0,1}
  --use_awl {0,1}
  --mask_loss_scale 
  --ke_norm 
  --ke_dim 
  --ke_margin 
  --neg_num 
  --adv_temp    The temperature of sampling in self-adversarial negative sampling.
  --ke_lr 
  --only_ke_loss 
  --use_NumEmb 
  --contrastive_loss {0,1}
  --l_layers L_LAYERS
  --use_kpi_loss
  --only_test {0,1}
  --mask_test {0,1}
  --embed_gen {0,1}
  --ke_test {0,1}
  --ke_test_num 
  --path_gen 
  --order_load 
  --order_num 
  --od_type {linear_cat,vertical_attention}
  --eps EPS             label smoothing
  --num_od_layer 
  --plm_emb_type {cls,last_avg}
  --order_test_name 
  --order_threshold 
  --rank RANK           rank to dist
  --dist DIST           whether to dist
  --device DEVICE       device id (i.e. 0 or 0,1 or cpu)
  --world-size WORLD_SIZE number of distributed processes
  --dist-url DIST_URL   url used to set up distributed training
  --local_rank LOCAL_RANK

Correndo

• Trem: bash run.sh
• Teste: bash test.sh

Observação :

• Você pode abrir o arquivo .sh para modificar os parâmetros padrão.

? Citar:

Por favor, condutor citando este artigo se você usar o code do nosso trabalho. Muito obrigado :)

 @inproceedings{DBLP:conf/icde/00070HCGYBZYSWY23,
  author       = {Zhuo Chen and
                  Wen Zhang and
                  Yufeng Huang and
                  Mingyang Chen and
                  Yuxia Geng and
                  Hongtao Yu and
                  Zhen Bi and
                  Yichi Zhang and
                  Zhen Yao and
                  Wenting Song and
                  Xinliang Wu and
                  Yi Yang and
                  Mingyi Chen and
                  Zhaoyang Lian and
                  Yingying Li and
                  Lei Cheng and
                  Huajun Chen},
  title        = {Tele-Knowledge Pre-training for Fault Analysis},
  booktitle    = {{ICDE}},
  pages        = {3453--3466},
  publisher    = {{IEEE}},
  year         = {2023}
}