数据集:

MicPie/unpredictable_5k

任务:

多项选择

问答

零样本分类

子任务:

multiple-choice-qa extractive-qa open-domain-qa

语言:

计算机处理:

monolingual

大小:

100K<n<1M

语言创建人:

found

批注创建人:

no-annotation

预印本库:

arxiv:2208.01009

许可:

apache-2.0

数据集介绍文件清单

英文

"UnpredicTable-5k" - 数据表的少样本任务数据集

数据集概述

UnpredicTable 数据集是由格式化为少样本任务的网络表格组成，用于微调语言模型以提高其少样本性能。

有几个可用的数据集版本:

UnpredicTable-full : 从初始的5000万个表格的WTC语料库开始，我们应用表格到任务的过程，生成我们的结果数据集 UnpredicTable-full ，其中包括来自23,744个唯一网站的413,299个任务。
UnpredicTable-unique ：与 UnpredicTable-full 相同，但过滤后每个网站最多只有一个任务。 UnpredicTable-unique 包含来自23,744个网站的确切23,744个任务。
UnpredicTable-5k ：该数据集包含来自完整数据集的随机5,000个表格。
基于手动人工质量评分的UnpredicTable数据子集（请参阅我们的论文以了解评分的详细信息）：
基于原始网站的UnpredicTable数据子集：
基于聚类的UnpredicTable数据子集（有关聚类详细信息，请参阅我们的论文）：

支持的任务和排行榜

由于表格来自互联网，任务和主题的分布非常广泛。我们的数据集的形状非常宽，即我们有数千个任务，而每个任务只有少数示例，与大多数当前的NLP数据集相比，后者非常深，即有数十个任务和许多示例。这意味着我们的数据集涵盖了各种潜在任务，例如多项选择、问题回答、表格问题回答、文本分类等。

该数据集的预期用途是通过在我们的数据集上进行微调/预训练来提高少样本性能。

语言

英文

数据集结构

数据实例

每个任务表示为一个jsonline文件，包含几个少样本示例。每个示例是一个字典，包含一个字段'task'，用于标识任务，后跟一个'input'，'options'和'output'字段。'input'字段包含表格中同一行的几个列元素，而'output'字段是一个目标，表示同一行的单个列。每个任务包含几个这样的示例，可以将其连接作为少样本任务。对于多项选择分类，'options'字段包含模型需要选择的可能类别。

还有其他元数据字段，如'pageTitle'，'title'，'outputColName'，'url'，'wdcFile'。

数据字段

'task': 任务标识符

'input': 表格中特定行的列元素。

'options': 对于多项选择分类，它提供要选择的选项。

'output': 与输入相同行的目标列元素。

'pageTitle': 包含表格的页面标题。

'outputColName': 输出列名称。

'url': 包含表格的网站的URL。

'wdcFile': WDC Web表格语料库文件。

数据拆分

UnpredicTable数据集没有附带其他数据拆分。

数据集创建

策划理由

已经证明在多任务数据集上进行少样本训练可以提高语言模型在新任务上的少样本学习（FSL）性能，但目前还不清楚哪些训练任务可以带来有效的下游任务适应。少样本学习数据集通常需要昂贵的人工策划，限制了可用于研究的训练任务的规模和多样性。作为少样本数据的替代来源，我们自动从各种互联网表格中抽取了413,299个任务。我们提供这个作为研究资源，以研究训练数据与少样本学习之间的关系。

来源数据

初始数据收集和规范化

我们使用英语Relational Subset of the WDC Web Table Corpus 2015（WTC）的互联网表格。WTC数据集的表格是从2015年7月的Common Crawl网络语料库（ http://webdatacommons.org/webtables/2015/EnglishStatistics.html ）中提取的。该数据集包含来自323,160个网域的50,820,165个表格。然后我们将表格转换为少样本学习任务。有关数据收集和转换流水线的更多详细信息，请参阅我们的论文。

谁是源语言生产者？

数据集是从 WDC Web Table Corpora 中提取的。

注释

注释过程

仅对 UnpredicTable-rated-low 、 UnpredicTable-rated-medium 和 UnpredicTable-rated-high 数据子集进行了手动注释，以评估任务质量。有关注释说明的详细说明，请参阅我们的论文。

谁是注释者？

注释由实验室助手进行。

个人和敏感信息

数据是从 WDC Web Table Corpora 中提取的，该数据又从 Common Crawl 中提取了表格。我们没有以任何方式对数据进行过滤。因此，我们的数据集中可能包含任何用户身份或其他敏感信息（例如，揭示种族或民族起源、性取向、宗教信仰、政治观点或工会会员资格、地点；财务或健康数据；生物特征或基因数据；政府身份识别形式，如社会安全号码；犯罪记录等）。

使用数据的注意事项

数据的社会影响

该数据集旨在作为研究资源，用于研究训练数据与少样本学习之间的关系。因此，它包含高质量和低质量的数据，以及可能不真实或不合适的各种内容。如果不经过仔细调查，不应将其用于训练将部署在决策关键或用户面向的情况下使用的模型。

偏见讨论

由于我们的数据集包含从网络上抓取的表格，因此它也会包含许多有毒、种族主义、性别歧视和其他有害的偏见和文本。我们没有对我们的数据集中普遍存在的偏见进行任何分析。我们也没有明确地过滤内容。这意味着在我们的数据集上训练的模型可能反映出我们的数据集中存在的有害偏见和有毒文本。

其他已知限制

没有其他已知限制。

其他信息

数据集策划者

Jun Shern Chan、Michael Pieler、Jonathan Jao、Jérémy Scheurer、Ethan Perez

许可信息

Apache 2.0

引用信息

@misc{chan2022few,
  author = {Chan, Jun Shern and Pieler, Michael and Jao, Jonathan and Scheurer, Jérémy and Perez, Ethan},
  title = {Few-shot Adaptation Works with UnpredicTable Data},
  publisher={arXiv},
  year = {2022},
  url = {https://arxiv.org/abs/2208.01009}
}

作者:

MicPie

数据集大小:

52.11 MB