README.md

metadata

base_model: jeffwan/mmarco-mMiniLMv2-L12-H384-v1
datasets: []
language: []
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
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:4173
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      Aquelles persones (físiques o jurídiques) que es disposin a exercir una de
      les següents activitats: ... Han de comunicar-ho a l'Ajuntament prèviament
      a la data prevista de la seva obertura.
    sentences:
      - >-
        Quin és el benefici que es pretén obtenir amb aquests ajuts econòmics
        per a les empreses d'hostaleria i restauració?
      - >-
        Quin és el benefici del sistema de teleassistència per a les persones
        que viuen amb altres persones amb discapacitat?
      - >-
        Quin és el propòsit de la comunicació prèvia d'una activitat recreativa
        o un espectacle públic?
  - source_sentence: >-
      Les persones titulars d’activitats que generin residus comercials o
      industrials assimilables als municipals, vindran obligats a acreditar
      davant l’Ajuntament que tenen contractat un gestor autoritzat per la
      recollida, tractament i eliminació dels residus que produeixi l’activitat
      corresponent.
    sentences:
      - >-
        Quin és el paper de l'Ajuntament en l'acreditació de recollida de
        residus?
      - Quin és el benefici de les activitats d'animació socio-cultural?
      - Quin és el benefici de l'ajut per a la creació de noves empreses?
  - source_sentence: >-
      Modificació de sol·licitud de permís d'ocupació de la via pública per
      filmacions, rodatges o sessions fotogràfiques.
    sentences:
      - Quin és el grau de discapacitat mínim per a rebre l'ajut de 300€ anuals?
      - >-
        Quin és el requisit per a la constitució o modificació del règim de
        propietat horitzontal?
      - Quin és el tipus de permís que es modifica?
  - source_sentence: >-
      El beneficiari és l'encarregat de complir les condicions de la subvenció i
      de presentar els informes de seguiment del projecte.
    sentences:
      - Quin és el paper del beneficiari en el procés de subvencions?
      - >-
        Quin és el càlcul dels interessos de demora en el fraccionament i
        l'ajornament?
      - >-
        Quin és el període de temps en què es poden efectuar les despeses
        mèdiques per a rebre l'ajuda?
  - source_sentence: >-
      Aquest tràmit permet sol·licitar la llicència per a realitzar obres
      d'excavació a la via pública per a la instal·lació o reparació
      d'infraestructures de serveis i subministraments.
    sentences:
      - Quin és el paper de la via pública en aquest tràmit?
      - Quin és el requisit principal per obtenir el certificat?
      - >-
        Quin és l'objectiu de presentar una denúncia per presumpta infracció
        urbanística?
model-index:
  - name: SentenceTransformer based on jeffwan/mmarco-mMiniLMv2-L12-H384-v1
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.036637931034482756
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.07974137931034483
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.11206896551724138
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.18318965517241378
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.036637931034482756
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.02658045977011494
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.022413793103448276
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.018318965517241378
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.036637931034482756
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.07974137931034483
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.11206896551724138
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.18318965517241378
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.09775400592125581
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.07205545292829774
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.08506410086235629
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.036637931034482756
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.07974137931034483
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.11206896551724138
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.18318965517241378
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.036637931034482756
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.02658045977011494
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.022413793103448276
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.018318965517241378
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.036637931034482756
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.07974137931034483
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.11206896551724138
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.18318965517241378
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.09775400592125581
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.07205545292829774
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.08506410086235629
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.03879310344827586
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.08620689655172414
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.12284482758620689
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.20905172413793102
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.03879310344827586
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.028735632183908042
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.02456896551724138
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.020905172413793104
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.03879310344827586
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.08620689655172414
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.12284482758620689
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.20905172413793102
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.10886950781001367
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.07890325670498083
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.09261787732124524
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.040948275862068964
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.08836206896551724
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.11637931034482758
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.1961206896551724
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.040948275862068964
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.029454022988505746
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.02327586206896552
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.01961206896551724
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.040948275862068964
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.08836206896551724
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.11637931034482758
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.1961206896551724
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.10531304697568825
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.07822078544061303
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.09314633548904587
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.040948275862068964
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.09051724137931035
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.11206896551724138
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.18318965517241378
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.040948275862068964
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03017241379310345
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.022413793103448276
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.018318965517241378
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.040948275862068964
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.09051724137931035
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.11206896551724138
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.18318965517241378
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.1000598523425774
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.07514453338806787
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.09004925619574798
            name: Cosine Map@100

SentenceTransformer based on jeffwan/mmarco-mMiniLMv2-L12-H384-v1

This is a sentence-transformers model finetuned from jeffwan/mmarco-mMiniLMv2-L12-H384-v1. It maps sentences & paragraphs to a 384-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: jeffwan/mmarco-mMiniLMv2-L12-H384-v1
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 tokens
• 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}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 384, '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("adriansanz/sitges10242608-4ep-rerank")
# Run inference
sentences = [
    "Aquest tràmit permet sol·licitar la llicència per a realitzar obres d'excavació a la via pública per a la instal·lació o reparació d'infraestructures de serveis i subministraments.",
    'Quin és el paper de la via pública en aquest tràmit?',
    "Quin és l'objectiu de presentar una denúncia per presumpta infracció urbanística?",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0366
cosine_accuracy@3	0.0797
cosine_accuracy@5	0.1121
cosine_accuracy@10	0.1832
cosine_precision@1	0.0366
cosine_precision@3	0.0266
cosine_precision@5	0.0224
cosine_precision@10	0.0183
cosine_recall@1	0.0366
cosine_recall@3	0.0797
cosine_recall@5	0.1121
cosine_recall@10	0.1832
cosine_ndcg@10	0.0978
cosine_mrr@10	0.0721
cosine_map@100	0.0851

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0366
cosine_accuracy@3	0.0797
cosine_accuracy@5	0.1121
cosine_accuracy@10	0.1832
cosine_precision@1	0.0366
cosine_precision@3	0.0266
cosine_precision@5	0.0224
cosine_precision@10	0.0183
cosine_recall@1	0.0366
cosine_recall@3	0.0797
cosine_recall@5	0.1121
cosine_recall@10	0.1832
cosine_ndcg@10	0.0978
cosine_mrr@10	0.0721
cosine_map@100	0.0851

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0388
cosine_accuracy@3	0.0862
cosine_accuracy@5	0.1228
cosine_accuracy@10	0.2091
cosine_precision@1	0.0388
cosine_precision@3	0.0287
cosine_precision@5	0.0246
cosine_precision@10	0.0209
cosine_recall@1	0.0388
cosine_recall@3	0.0862
cosine_recall@5	0.1228
cosine_recall@10	0.2091
cosine_ndcg@10	0.1089
cosine_mrr@10	0.0789
cosine_map@100	0.0926

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0409
cosine_accuracy@3	0.0884
cosine_accuracy@5	0.1164
cosine_accuracy@10	0.1961
cosine_precision@1	0.0409
cosine_precision@3	0.0295
cosine_precision@5	0.0233
cosine_precision@10	0.0196
cosine_recall@1	0.0409
cosine_recall@3	0.0884
cosine_recall@5	0.1164
cosine_recall@10	0.1961
cosine_ndcg@10	0.1053
cosine_mrr@10	0.0782
cosine_map@100	0.0931

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0409
cosine_accuracy@3	0.0905
cosine_accuracy@5	0.1121
cosine_accuracy@10	0.1832
cosine_precision@1	0.0409
cosine_precision@3	0.0302
cosine_precision@5	0.0224
cosine_precision@10	0.0183
cosine_recall@1	0.0409
cosine_recall@3	0.0905
cosine_recall@5	0.1121
cosine_recall@10	0.1832
cosine_ndcg@10	0.1001
cosine_mrr@10	0.0751
cosine_map@100	0.09

Training Details

Training Dataset

Unnamed Dataset

• Size: 4,173 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 9 tokens mean: 49.38 tokens max: 190 tokens	min: 10 tokens mean: 21.0 tokens max: 48 tokens

• Samples:

  positive	anchor
  Havent-se d'acreditar la matriculació i inscripció en el respectiu centre públic o concertat, així com el cost de les llars d'infants, de l'educació especialitzada per les discapacitats físiques, psíquiques i sensorials en centres públics, concertats o privats.	Quin és el requisit per acreditar la llar d'infants?
  El volant històric de convivència és el document que informa de la residencia en el municipi de Sitges, així com altres fets relatius a l'empadronament d'una persona, i detalla tots els domicilis, la data inicial i final en els que ha estat empadronada en cadascun d'ells, i les persones amb les què constava inscrites, segons les dades que consten al Padró Municipal d'Habitants fins a la data d'expedició.	Quin és el propòsit del volant històric de convivència?
  Instal·lació de tanques sense obra.	Quins són els exemples d'instal·lacions que es poden comunicar amb aquest tràmit?

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          384,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• gradient_accumulation_steps: 16
• num_train_epochs: 5
• lr_scheduler_type: cosine
• warmup_ratio: 0.2
• bf16: True
• tf32: False
• load_best_model_at_end: True
• optim: adamw_torch_fused
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 16
• eval_accumulation_steps: None
• learning_rate: 5e-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: 5
• max_steps: -1
• lr_scheduler_type: cosine
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.2
• 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
• use_ipex: False
• bf16: True
• fp16: False
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: False
• 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}
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• 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: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• 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
• dispatch_batches: None
• split_batches: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: False
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	dim_128_cosine_map@100	dim_256_cosine_map@100	dim_512_cosine_map@100	dim_64_cosine_map@100	dim_768_cosine_map@100
0.6130	10	11.7801	-	-	-	-	-
0.9808	16	-	0.0132	0.0103	0.0105	0.0116	0.0105
1.2261	20	10.5594	-	-	-	-	-
1.8391	30	9.0859	-	-	-	-	-
1.9617	32	-	0.0337	0.0302	0.0298	0.0323	0.0298
2.4521	40	7.5747	-	-	-	-	-
2.9425	48	-	0.0811	0.0765	0.0679	0.0742	0.0679
3.0651	50	5.7656	-	-	-	-	-
3.6782	60	4.7495	-	-	-	-	-
3.9847	65	-	0.0926	0.0929	0.0822	0.0886	0.0822
4.2912	70	4.1026	-	-	-	-	-
4.9042	80	3.8201	0.0931	0.0926	0.0851	0.09	0.0851

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.4.0+cu121
• Accelerate: 0.34.0.dev0
• Datasets: 2.21.0
• Tokenizers: 0.19.1

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{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}