语言: 中文
标签:

• 摘要生成
  数据集: billsum
  微调组件:
• 文本: '加利福尼亚州人民颁布如下法令：章节标题
  刑法典新增第1170.02条，内容如下：1170.02。若囚犯因一级谋杀罪被定罪，且受害者为第830.1、830.2、830.3、830.31、830.32、830.33、830.34、830.35、830.36、830.37、830.4、830.5、830.6、830.10、830.11或830.12条定义的执行职务期间遇害的警务人员，且行为人明知或应知受害者是执行职务的警务人员，或受害者为上述条款所列现役或退休警务人员并因履行公务遭蓄意报复杀害，则该囚犯不符合根据第1170条(e)款重判或召回的条件。章节标题
  刑法典第3550条修订如下：3550。除(b)款规定情形外，若监狱主治医师根据本节认定某囚犯因永久性医疗失能（该状况导致其完全丧失基本日常生活能力且需24小时照护，且判刑时不存在此失能状况），且假释委员会判定其释放条件不会对公共安全构成合理威胁，则应批准其医疗假释。本节不削弱2008年《受害者权利法案》赋予的权利。(a)款不适用于以下情形：被判处死刑或无假释可能终身监禁的囚犯；根据任何倡议法规禁止适用(a)款假释的囚犯；以及犯有一级谋杀罪且受害者符合前述定义的执勤警务人员或遭报复杀害的现役/退休警员的囚犯。当惩教康复部指定囚犯的主治医师认为其符合(a)款医疗假释标准时，应建议监狱主治医师将该囚犯提交假释委员会审议。收到建议后30日内，若监狱主治医师同意，应使用部门制定的标准化表格提交假释委员会；若不同意，需书面说明理由。囚犯或其家属亦可直接向监狱或部门提出医疗假释申请，监狱主治医师应在30日内会同主治医师作出决定，符合条件则提交假释委员会，否则需书面说明理由。惩教康复部须为提交审议的囚犯制定假释计划，包括但不限于居住及医疗方案。医疗假释听证会由至少一名专员组成的两人小组进行，票数相同时提交全体委员会裁决，可缺席审理。假释委员会须独立评估释放条件对公共安全的威胁并书面记录结论。委员会或成人假释行动处有权对医疗假释人员施加合理监管条件（包括电子监控），并可要求其接受指定医师复查。若复查显示健康状况不再符合医疗假释标准，须收监继续执行原判。确定刑期囚犯在最早释放日期前获准医疗假释的，应持续至该日期后转为常规假释；无确定刑期囚犯在最低假释资格日期前获准的，应持续至该日期后转为常规假释审查。惩教康复部须确保医疗假释人员申请符合资格的所有联邦福利计划，并携带医疗摘要、完整病历、假释药物及个人物品出院，其余记录后续寄送。本节规定不影响囚犯依法获得其他假释或释放形式的资格。(1)惩教康复部须在医疗假释听证会或释放前至少30日（或尽快）通知羁押县与拟释放县（如不同），无论囚犯为确定或不确定刑期。'

模型索引:

• 名称: Artifact-AI/led_base_16384_billsum_summarization
  结果:
  • 任务:
    类型: 摘要生成
    名称: 摘要生成
    数据集:
    名称: billsum
    类型: billsum
    配置: 默认
    拆分: 测试
    指标:
    • 类型: rouge
      值: 47.6721
      名称: ROUGE-1
      已验证: true
      验证令牌: eyJhbGci...（略）
    • 类型: rouge
      值: 26.7372
      名称: ROUGE-2
      已验证: true
      验证令牌: eyJhbGci...（略）
    • 类型: rouge
      值: 34.5681
      名称: ROUGE-L
      已验证: true
      验证令牌: eyJhbGci...（略）
    • 类型: rouge
      值: 41.5295
      名称: ROUGE-LSUM
      已验证: true
      验证令牌: eyJhbGci...（略）
    • 类型: 损失值
      值: 2.079916000366211
      名称: 损失值
      已验证: true
      验证令牌: eyJhbGci...（略）
    • 类型: 生成长度
      值: 128.8152
      名称: 生成长度
      已验证: true
      验证令牌: eyJhbGci...（略）

基于Billsum微调的长文档编码器-解码器(LED)

本模型是在billsum数据集上对led-base-16384进行微调的版本。

根据Iz Beltagy、Matthew E. Peters和Arman Cohan在《Longformer: 长文档Transformer》中的描述，led-base-16384从bart-base初始化而来，因两者架构完全相同。为处理16K长度的文本，bart-base的位置嵌入矩阵被简单复制了16次。

在Transformers中使用

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM  

tokenizer = AutoTokenizer.from_pretrained("Artifact-AI/led_base_16384_billsum_summarization")  
model = AutoModelForSeq2SeqLM.from_pretrained("Artifact-AI/led_base_16384_billsum_summarization")  

性能指标

模型训练数据来源于Billsum摘要数据集

测试模型

测试笔记本链接：

引用与作者

@misc{led_base_16384_billsum_summarization,  
    title={led_base_16384_billsum_summarization},  
    author={Matthew Kenney},  
    year={2023}  
}