数据集:

MicPie/unpredictable_cluster08

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-cluster08"的数据集卡片 - 来自表格的少样本任务数据集

数据集概要

UnpredicTable数据集由网络表格组成，以少样本任务的格式进行格式化，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 ：从最初的WTC语料库中的5000万个表格开始，我们将我们的表格-to-tasks过程应用于生成我们的结果数据集 UnpredicTable-full ，其中包含来自23,744个独特网站的413,299个任务。
UnpredicTable-unique ：与 UnpredicTable-full 相同，但过滤掉每个网站最多一个任务。 UnpredicTable-unique 包含来自23,744个网站的确切23,744个任务。
UnpredicTable-5k ：此数据集包含从完整数据集中随机选择的5,000个表格。
根据手动人为质量评级的UnpredicTable数据子集（请参阅我们的出版物以获取评级详细信息）：
根据来源网站的UnpredicTable数据子集：
根据聚类进行的UnpredicTable数据子集（有关聚类详细信息，请参阅我们的出版物）：

支持的任务和排行榜

由于表格来自于网络，任务和主题的分布非常广泛。我们的数据集的形状非常宽广，即我们有数千个任务，而每个任务只有少量的示例，相比大多数当前的NLP数据集而言，它们非常深入，即有大量的任务和示例。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

英语

数据集结构

数据实例

每个任务表示为一个jsonline文件，包含多个少样本示例。每个示例都是一个字典，包含一个“task”字段，用于标识任务，然后是一个“input”字段、“options”字段和“output”字段。 “input”字段包含表格中同一行的多个列元素，而“output”字段是表示输入的同一行的目标。每个任务包含多个这样的示例，可以将其连接成为少样本任务。在多项选择分类的情况下，“options”字段包含模型需要从中选择的可能类别。

还有其他元数据字段，如“pageTitle”、“title”、“outputColName”、“url”和“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，它提供了可供选择的选项。

'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 Table Corpus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

策展理由

在多任务数据集上进行少样本训练已被证明可以提高语言模型对新任务的少样本学习（FSL）性能，但目前尚不清楚哪些训练任务可以有效地进行下游任务适应。少样本学习数据集通常需要经过昂贵的人工策划，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提取了413,299个任务。我们提供此数据作为研究资源，以研究训练数据和少样本学习之间的关系。

源数据

初始数据收集和规范化

我们使用来自WDC Web Table Corpus 2015（WTC）的英语关系子集的互联网表格。 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个网络域的50,820,165个表格。然后，我们将这些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，请参阅我们的出版物。

谁是源语言制作人？

该数据集是从 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，以评定任务质量。有关注释说明的详细说明，请参见我们的出版物。

谁是注释者？

注释由实验室助理完成。

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过滤数据。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、政治观点或工会会籍、位置；财务或健康数据；生物识别或基因数据；政府身份证明形式，例如社会安全号码；犯罪记录等）。

使用数据的考虑因素

数据集的社会影响

该数据集旨在作为研究资源，以研究训练数据和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适当的多样内容。在没有仔细调查的情况下，不应将其用于训练将用于决策关键或用户面向的情况中的模型。

偏见讨论

由于我们的数据集包含从网络中抓取的表格，因此它也将包含许多有害的偏见和文本，如有毒、种族主义、性别歧视等。我们没有对我们数据集中普遍存在的偏见进行任何分析。我们也没有显式地过滤内容。这意味着在我们的数据集上训练的模型可能会反映出我们数据集中存在的有害偏见和有毒文本。

其他已知限制

暂无其他已知限制。

其他信息

数据集策展人

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:

641.93 KB