README.md

metadata

language:
  - en
license: apache-2.0
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:4268
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
base_model: lighteternal/stsb-xlm-r-greek-transfer
widget:
  - source_sentence: Ποιο συνέδριο και έκθεση αναφέρεται στην εργασία;
    sentences:
      - >-
        . Haas and Prof. K. Burnham, Chapter 5, Taylor & Francis, LLC, IOPs
        Publications. ISBN0- 7503-0994-6, pp. 173-212. E.I. Papageorgiou,
        C.D.Stylios and P.P. Groumpos (2008) "Fuzzy Cognitive Maps", in book:
        "Handbook of Granular Computing", by editors: Witold Pedrycz, Andrzej
        Skowron and Vladik Kreinovich, Chapter 34, John Wiley & Sons, Ltd, pp.
        755-775. S.Agoti, C. Stylios and P.P
      - >-
        Βιογραφία: Ο Στυλιανός (Στέλιος) Δ. Ασημώνης είναι Επίκουρος Καθηγητής
        στο Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών στο
        Πανεπιστήμιο Πατρών, Ελλάδα. Από το 2019 έως το 2024 κατείχε τη θέση
        Επίκουρου Καθηγητή στη Σχολή Ηλεκτρονικών, Ηλεκτρολόγων Μηχανικών και
        Επιστήμης Υπολογιστών στο Queen's University Belfast, Ηνωμένο Βασίλειο.
        Ο Δρ
      - >-
        . Giannakopoulos, “Application of Computational Intelligence to the
        Control System of an HVDC Link Based on VSCs”, Conference and Exhibition
        on Power Generation, Transmission, Distribution and Energy Conversion,
        MED POWER 2004, Lemessos Cyprus, MED04/CH24. 8.X. Koutiva, T. Vrionis,
        N. A. Vovos and G. B
  - source_sentence: Ποιους τομείς καλύπτει η εκπαίδευση μηχανικών σύμφωνα με το κείμενο;
    sentences:
      - >-
        . Αυτό, εκτός των άλλων, συνέτεινε και στην παροχή υψηλού επιπέδου
        εκπαίδευσης μηχανικών σε βιομηχανικού ενδιαφέροντος θέματα, εφοδιάζοντας
        τους με προσόντα που εξασφαλίζουν σθεναρό επιστημονικό υπόβαθρο για
        περαιτέρω ερευνητική και ακαδημαϊκή εξέλιξη και ισχυρές προοπτικές
        απασχόλησης σε σημαντικές βιομηχανικές μονάδες στην Ελλάδα και το
        εξωτερικό.
      - >-
        . Τα απαραίτητα δικαιολογητικά είναι τα εξής: Περίπτωση α) αντίγραφο
        Σύμβασης έργου ή εργασίας, είτε Ατομικό Λογαριασμό Ασφάλισης
        συνοδευόμενο από Υπεύθυνη Δήλωση στην οποία να αναφέρει ότι ο
        φοιτητής/τρια εξακολουθεί να είναι Εργαζόμενος/η, ή Βεβαίωση Υπηρεσιακής
        Κατάστασης. Περίπτωση β) ενιαία Ιατρική Γνωμάτευση που να έχει εκδοθεί
        από Κέντρο Πιστοποίησης Αναπηρίας (ΚΕ.Π.Α
      - >-
        American Electrical Power Service Corporation, 1977 - 1984, Senior
        Engineer, Computer Applications and Operations Research Center.
  - source_sentence: Ποιο είναι το κύριο θέμα της παρουσίασης;
    sentences:
      - >-
        . Προβλέψεις και μελλοντικές προοπτικές • Θεωρία Ψηφιακού Ήχου:  Βασικές
        αρχές ψηφιακών ηχητικών συστημάτων (Δειγματοληψία και κβαντισμός
        ηχητικών σημάτων), Υπερδειγματοληψία, μορφοποίηση θορύβου και διαμόρφωση
        σήματος σε 1 bit, Αριθμητική αναπαράσταση και αποθήκευση ηχητικών
        δεδομένων, Τεχνολογία μετατροπέων A/D και D/A (χαρακτηριστικά,
        προδιαγραφές) • Κωδικοποίηση και Συμπίεση Ηχητικών
      - >-
        . Έχει επίσης συνεργαστεί ενεργά με βιομηχανικούς εταίρους: ήταν ο
        Leader της R&D ομάδας για θέματα Μηχανικής Όρασης στην Metargus, μια
        pre-seeded startup (με έδρα την Πάτρα, Ελλάδα), ενώ συνεργάζεται και με
        την Ragdoll Dynamics (εταιρεία με έδρα το Λονδίνο, Ηνωμένο Βασίλειο)
      - >-
        . • Μοντέλα Παράλληλου Προγραμματισμού και Συγχρονισμός: Παρουσίαση
        μοντέλων παράλληλου προγραμματισμού με λεπτομερή συγχρονιστικά
        primitives όπως mutexes, barriers και atomic operations, με έμφαση στην
        ταυτόχρονης εκτέλεσης και την ασφάλεια των threads
  - source_sentence: Ποιος είναι ο ομότιμος καθηγητής;
    sentences:
      - >-
        ., Πραγματικού Χρόνου Γιαλελής (ΕΔΙΠ),  Κουμπιάς (Ομότιμος) ECE_ΓΚ906
        Σχεδιασμός Ολοκληρωμένων Συστημάτων 3+2 5 Θεοδωρίδης,  (Δ+Ε) Παλιουράς
        ECE_ΓΚ907 Ηλεκτρονικά Υψηλών Ταχυτήτων 3 5 Μπίρμπας Μ
      - >-
        . Ορίζουσα, αντίστροφος και ιδιότητες. Απαλοιφή Gauss-Jordan. Τάξη
        μητρώου και υπολογισμός τάξης. Κανονική μορφή. Ομογενή και μη-ομογενή
        συστήματα. Εισαγωγή στους διανυσματικούς χώρους. Γραμμική εξάρτηση
        διανυσμάτων. Ιδιοτιμές και ιδιοδιανύσματα: ορισμοί και ιδιότητες.
        Ομοιότητα και διαγωνοποίηση. Τετραγωνικές μορφές. Πολυώνυμα μητρώων και
        το θεώρημα Cayley-Hamilton. Μητρώα συναρτήσεις
      - >-
        . 1978-79: Ωρομίσθιος Καθηγητής των ΚΑΤΕΕ Πατρών. 1982-87: Συνεργασία με
        διάφορες Βιομηχανίες σε θέματα Βιομηχανικού Αυτοματισμού. 1987-1995:
        Λέκτορας στο Τμήμα Ηλεκ/όγων Μηχ/κών Παν. Πατρών. 1995: Επίκουρος
        Καθηγητής Πανεπιστημίου Πατρών. 1998-99: Industrial Control Centre,
        University of Strathclyde, Γλασκόβη, Αγγλία
  - source_sentence: Ποιες είναι οι δύο τύποι τροφοδοσίας που αναφέρονται;
    sentences:
      - >-
        . Ελεγκτές μεταβλητών στροφών και σχεδίαση σειριακού ελεγκτή με
        εσωτερικό βρόχο ρεύματος: ΑΜ διπλής τροφοδοσίας, ΑΜ ή ΣΜ με διασύνδεση
        συνεχούς ρεύματος, Γεννήτρια ΑΜ με ηλεκτρονικά μεταβαλλόμενη αντίσταση
        ρότορα. Έλεγχος πραγματικής και άεργου ισχύος. Έλεγχος βήματος
        πτερυγίου. Περιβαλλοντικές επιπτώσεις από την εγκατάσταση αιολικών
        συστημάτων και λοιπών ΑΠΕ. Σύνδεση με το δίκτυο
      - >-
        . Τα υποχρεωτικά είναι συγκεκριμένα βασικά μαθήματα της επιστήμης του
        Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστών, τα οποία πρέπει να
        παρακολουθήσει και εξεταστεί επιτυχώς κάθε φοιτητής. Τα κατ’ επιλογήν
        υποχρεωτικά είναι μαθήματα εμβάθυνσης σε διάφορους ειδικούς τομείς
      - >-
        Η σελίδα παρουσιάζει τους Τομείς του Τμήματος Ηλεκτρολόγων Μηχανικών και
        Τεχνολογίας Υπολογιστών: Τηλεπικοινωνιών και Τεχνολογίας Πληροφορίας
        (Τ&ΤΠ), Συστημάτων Ηλεκτρικής Ενέργειας (ΣΗΕ), Ηλεκτρονικής και
        Υπολογιστών (Η&Υ) και Συστήματα και Αυτόματου Ελέγχου (Σ&ΑΕ)
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
model-index:
  - name: stsb-xlm-r-greek-transfer Matryoshka
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.4126315789473684
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.4378947368421053
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.5684210526315789
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.6294736842105263
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.4126315789473684
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.4168421052631579
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.3532631578947369
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.2221052631578947
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.11877192982456139
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.3503508771929824
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.4919298245614035
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.6156140350877192
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.5219711422785894
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.4592606516290724
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.513312953839523
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.4189473684210526
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.4378947368421053
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.5642105263157895
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.6252631578947369
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.4189473684210526
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.4203508771929825
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.3511578947368421
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.22
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.12087719298245614
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.35438596491228064
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.49
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.6114035087719298
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.5216270195525184
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.4621620718462822
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.5151877147597815
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.42736842105263156
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.4463157894736842
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.5389473684210526
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.6252631578947369
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.42736842105263156
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.4259649122807017
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.34694736842105267
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.2189473684210526
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.1243859649122807
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.3605263157894737
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.47947368421052633
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.6063157894736843
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.5209965276019918
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.46629156223893037
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.5137903566325556
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.4
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.42105263157894735
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.5263157894736842
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5831578947368421
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.4
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.40210526315789474
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.3313684210526316
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.20673684210526314
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.11649122807017544
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.3431578947368421
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.46087719298245605
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5726315789473684
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.49337458893021846
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.4395271512113615
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.48948317976194106
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.35578947368421054
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.3726315789473684
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.47157894736842104
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.5136842105263157
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.35578947368421054
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.35578947368421054
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.29431578947368425
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.18378947368421053
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.10333333333333332
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.30087719298245613
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.40578947368421053
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.5056140350877193
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4371644766273112
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.38971177944862134
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.43714911630465725
            name: Cosine Map@100

stsb-xlm-r-greek-transfer Matryoshka

This is a sentence-transformers model finetuned from lighteternal/stsb-xlm-r-greek-transfer on the json dataset. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: lighteternal/stsb-xlm-r-greek-transfer
• Maximum Sequence Length: 400 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Supported Modality: Text
• Training Dataset:
  • json
• Language: en
• License: apache-2.0

Model Sources

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

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', '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("IoannisKat1/stsb-xlm-r-greek-transfer-matryoshka1")
# Run inference
queries = [
    'Ποιες είναι οι δύο τύποι τροφοδοσίας που αναφέρονται;',
]
documents = [
    '. Ελεγκτές μεταβλητών στροφών και σχεδίαση σειριακού ελεγκτή με εσωτερικό βρόχο ρεύματος: ΑΜ διπλής τροφοδοσίας, ΑΜ ή ΣΜ με διασύνδεση συνεχούς ρεύματος, Γεννήτρια ΑΜ με ηλεκτρονικά μεταβαλλόμενη αντίσταση ρότορα. Έλεγχος πραγματικής και άεργου ισχύος. Έλεγχος βήματος πτερυγίου. Περιβαλλοντικές επιπτώσεις από την εγκατάσταση αιολικών συστημάτων και λοιπών ΑΠΕ. Σύνδεση με το δίκτυο',
    '. Τα υποχρεωτικά είναι συγκεκριμένα βασικά μαθήματα της επιστήμης του Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστών, τα οποία πρέπει να παρακολουθήσει και εξεταστεί επιτυχώς κάθε φοιτητής. Τα κατ’ επιλογήν υποχρεωτικά είναι μαθήματα εμβάθυνσης σε διάφορους ειδικούς τομείς',
    'Η σελίδα παρουσιάζει τους Τομείς του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών: Τηλεπικοινωνιών και Τεχνολογίας Πληροφορίας (Τ&ΤΠ), Συστημάτων Ηλεκτρικής Ενέργειας (ΣΗΕ), Ηλεκτρονικής και Υπολογιστών (Η&Υ) και Συστήματα και Αυτόματου Ελέγχου (Σ&ΑΕ)',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 768] [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.3252, 0.0351, 0.0844]])

Evaluation

Metrics

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 768
  }
  

Metric	Value
cosine_accuracy@1	0.4126
cosine_accuracy@3	0.4379
cosine_accuracy@5	0.5684
cosine_accuracy@10	0.6295
cosine_precision@1	0.4126
cosine_precision@3	0.4168
cosine_precision@5	0.3533
cosine_precision@10	0.2221
cosine_recall@1	0.1188
cosine_recall@3	0.3504
cosine_recall@5	0.4919
cosine_recall@10	0.6156
cosine_ndcg@10	0.522
cosine_mrr@10	0.4593
cosine_map@100	0.5133

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 512
  }
  

Metric	Value
cosine_accuracy@1	0.4189
cosine_accuracy@3	0.4379
cosine_accuracy@5	0.5642
cosine_accuracy@10	0.6253
cosine_precision@1	0.4189
cosine_precision@3	0.4204
cosine_precision@5	0.3512
cosine_precision@10	0.22
cosine_recall@1	0.1209
cosine_recall@3	0.3544
cosine_recall@5	0.49
cosine_recall@10	0.6114
cosine_ndcg@10	0.5216
cosine_mrr@10	0.4622
cosine_map@100	0.5152

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 256
  }
  

Metric	Value
cosine_accuracy@1	0.4274
cosine_accuracy@3	0.4463
cosine_accuracy@5	0.5389
cosine_accuracy@10	0.6253
cosine_precision@1	0.4274
cosine_precision@3	0.426
cosine_precision@5	0.3469
cosine_precision@10	0.2189
cosine_recall@1	0.1244
cosine_recall@3	0.3605
cosine_recall@5	0.4795
cosine_recall@10	0.6063
cosine_ndcg@10	0.521
cosine_mrr@10	0.4663
cosine_map@100	0.5138

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 128
  }
  

Metric	Value
cosine_accuracy@1	0.4
cosine_accuracy@3	0.4211
cosine_accuracy@5	0.5263
cosine_accuracy@10	0.5832
cosine_precision@1	0.4
cosine_precision@3	0.4021
cosine_precision@5	0.3314
cosine_precision@10	0.2067
cosine_recall@1	0.1165
cosine_recall@3	0.3432
cosine_recall@5	0.4609
cosine_recall@10	0.5726
cosine_ndcg@10	0.4934
cosine_mrr@10	0.4395
cosine_map@100	0.4895

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 64
  }
  

Metric	Value
cosine_accuracy@1	0.3558
cosine_accuracy@3	0.3726
cosine_accuracy@5	0.4716
cosine_accuracy@10	0.5137
cosine_precision@1	0.3558
cosine_precision@3	0.3558
cosine_precision@5	0.2943
cosine_precision@10	0.1838
cosine_recall@1	0.1033
cosine_recall@3	0.3009
cosine_recall@5	0.4058
cosine_recall@10	0.5056
cosine_ndcg@10	0.4372
cosine_mrr@10	0.3897
cosine_map@100	0.4371

Training Details

Training Dataset

json

• Dataset: json
• Size: 4,268 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 100 samples:

  	anchor	positive
  type	string	string
  modality	text	text
  details	min: 9 tokens mean: 17.49 tokens max: 34 tokens	min: 21 tokens mean: 102.99 tokens max: 184 tokens

• Samples:

  anchor	positive
  Πόσο διαρκεί το προπτυχιακό πρόγραμμα σπουδών;	. Το προπτυχιακό πρόγραμμα σπουδών έχει διάρκεια δέκα διδακτικών εξαμήνων και οδηγεί στην απονομή Διπλώματος Μηχανικού, το οποίο αναγνωρίζεται ως Integrated Master με πλήρη επαγγελματικά δικαιώματα
  Ποιες είναι οι αλγόριθμοι τοπικής αναζήτησης Ι;	. Επίλυση προβλημάτων με αναζήτηση: Χώροι καταστάσεων, δέντρα αναζήτησης, μέθοδοι αναζήτησης χωρίς πληροφόρηση (depth-first, breadth-first), αναζήτηση με μερική πληροφόρηση. 3. Πληροφορημένη αναζήτηση και εξερεύνηση: Αλγόριθμοι Best First και Α*. 4. Αλγόριθμοι τοπικής αναζήτησης Ι: Hill climbing, simulated annealing. 5. Αλγόριθμοι τοπικής αναζήτησης ΙΙ: Γενετικοί αλγόριθμοι. 6
  Ποιες είναι οι δύο βασικές ικανότητες που σχετίζονται με την εφαρμογή στο εργαστήριο;	. • Η ανάπτυξη της κριτικής σκέψης, της ικανότητας λήψης αποφάσεων, της επιδίωξης της καινοτομίας, του εξωστρεφούς τρόπου σκέψης, του πνεύματος συνεργασίας και της ομαδικής προσπάθειας, και της ικανότητας προσαρμογής σε μεταβαλλόμενες συνθήκες. • Η πλήρης κατανόηση και η ικανότητα εφαρμογής του θεωρητικού υπόβαθρου στο εργαστήριο

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 16
• gradient_accumulation_steps: 8
• learning_rate: 2e-05
• num_train_epochs: 10
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• bf16: True
• tf32: True
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 8
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 10
• max_steps: -1
• lr_scheduler_type: cosine
• lr_scheduler_kwargs: None
• warmup_ratio: 0.1
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• save_safetensors: True
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• no_cuda: False
• use_cpu: False
• use_mps_device: False
• seed: 42
• data_seed: None
• jit_mode_eval: False
• bf16: True
• fp16: False
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: True
• local_rank: 0
• ddp_backend: None
• tpu_num_cores: None
• tpu_metrics_debug: False
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• past_index: -1
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: True
• ignore_data_skip: False
• fsdp: []
• fsdp_min_num_params: 0
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap: None
• 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
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• skip_memory_metrics: True
• use_legacy_prediction_loop: False
• push_to_hub: False
• resume_from_checkpoint: None
• hub_model_id: None
• hub_strategy: every_save
• hub_private_repo: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• eval_do_concat_batches: True
• fp16_backend: auto
• push_to_hub_model_id: None
• push_to_hub_organization: None
• mp_parameters:
• auto_find_batch_size: False
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	dim_768_cosine_ndcg@10	dim_512_cosine_ndcg@10	dim_256_cosine_ndcg@10	dim_128_cosine_ndcg@10	dim_64_cosine_ndcg@10
0.2996	10	5.3786	-	-	-	-	-
0.5993	20	4.5717	-	-	-	-	-
0.8989	30	3.2079	-	-	-	-	-
1.0	34	-	0.4624	0.4615	0.4493	0.4159	0.3622
1.1798	40	2.3917	-	-	-	-	-
1.4794	50	2.0746	-	-	-	-	-
1.7790	60	1.9635	-	-	-	-	-
2.0	68	-	0.5067	0.5023	0.4917	0.4668	0.4049
2.0599	70	1.6445	-	-	-	-	-
2.3596	80	1.2504	-	-	-	-	-
2.6592	90	1.2917	-	-	-	-	-
2.9588	100	1.19	-	-	-	-	-
3.0	102	-	0.5102	0.5033	0.4874	0.4678	0.4072
3.2397	110	0.9015	-	-	-	-	-
3.5393	120	0.8336	-	-	-	-	-
3.8390	130	0.8562	-	-	-	-	-
4.0	136	-	0.5111	0.4968	0.4924	0.4714	0.4081
4.1199	140	0.6733	-	-	-	-	-
4.4195	150	0.6683	-	-	-	-	-
4.7191	160	0.6656	-	-	-	-	-
5.0	170	0.6658	0.5112	0.5092	0.5150	0.4793	0.4231
5.2996	180	0.517	-	-	-	-	-
5.5993	190	0.5305	-	-	-	-	-
5.8989	200	0.6392	-	-	-	-	-
6.0	204	-	0.5098	0.5122	0.5036	0.4765	0.4275
6.1798	210	0.5473	-	-	-	-	-
6.4794	220	0.5504	-	-	-	-	-
6.7790	230	0.4659	-	-	-	-	-
7.0	238	-	0.5156	0.5183	0.5133	0.4892	0.4315
7.0599	240	0.4675	-	-	-	-	-
7.3596	250	0.4109	-	-	-	-	-
7.6592	260	0.4783	-	-	-	-	-
7.9588	270	0.4001	-	-	-	-	-
8.0	272	-	0.5232	0.5256	0.5184	0.4943	0.4345
8.2397	280	0.3837	-	-	-	-	-
8.5393	290	0.3422	-	-	-	-	-
8.8390	300	0.3952	-	-	-	-	-
9.0	306	-	0.5238	0.5231	0.5193	0.495	0.4371
9.1199	310	0.3641	-	-	-	-	-
9.4195	320	0.4011	-	-	-	-	-
9.7191	330	0.4063	-	-	-	-	-
10.0	340	0.4291	0.5220	0.5216	0.5210	0.4934	0.4372

• The bold row denotes the saved checkpoint.

Training Time

• Training: 5.5 minutes

Framework Versions

• Python: 3.12.13
• Sentence Transformers: 5.6.0
• Transformers: 4.57.6
• PyTorch: 2.11.0+cu128
• Accelerate: 1.14.0
• Datasets: 4.0.0
• Tokenizers: 0.22.2

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

MultipleNegativesRankingLoss

@misc{oord2019representationlearningcontrastivepredictive,
      title={Representation Learning with Contrastive Predictive Coding},
      author={Aaron van den Oord and Yazhe Li and Oriol Vinyals},
      year={2019},
      eprint={1807.03748},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/1807.03748},
}