数据集:

MicPie/unpredictable_cluster15

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-cluster15"的数据集卡片 - 来自表格的少样本任务数据集

数据集摘要

UnpredicTable数据集由格式化为少样本任务的网络表格组成，旨在通过微调语言模型来提高其少样本性能。

有多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，我们采用表格到任务的过程，生成我们的结果数据集 UnpredicTable-full ，其中包含来自23,744个唯一网站的413,299个任务。
UnpredicTable-unique ：这与 UnpredicTable-full 相同，但经过过滤，每个网站最多一项任务。 UnpredicTable-unique 包含来自23,744个网站的23,744个任务。
UnpredicTable-5k ：此数据集包含全数据集中随机选择的5,000个表格。
UnpredicTable基于人工质量评级的数据子集（请参阅我们的出版物以了解评级的详细信息）：
UnpredicTable基于来源网站的数据子集：
基于聚类的UnpredicTable数据子集（有关聚类详细信息，请参阅我们的出版物）：

支持的任务和排行榜

由于表格来自网络，任务和主题的分布非常广泛。我们的数据集形状非常宽，即有数千个任务，而每个任务只有少量示例，与当前大多数NLP数据集非常深不同，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多种潜在任务，例如多项选择、问答、表格问答、文本分类等。

此数据集的用途是通过在我们的数据集上进行微调/预训练来改善少样本性能。

语言

英语

数据集结构

数据实例

每个任务都表示为jsonline文件，并由多个少样本示例组成。每个示例是一个包含字段“task”的字典，用于标识任务，然后是“input”、“options”和“output”字段。“input”字段包含表格中同一行的多个列元素，而“output”字段是目标，表示同一行的单个列元素。每个任务包含多个此类示例，可以将其连接为少样本任务。对于多项选择分类，'options'字段包含模型需要选择的可能类别。

还有其他额外的元数据字段，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'：用于多项选择分类，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

策划原因

对多任务数据集进行少样本训练已被证明可以提高语言模型在新任务上的少样本学习（FSL）性能，但不清楚哪些训练任务会导致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，限制了研究可用的训练任务的规模和多样性。作为少样本数据的替代来源，我们自动从各种网络表格中提取了413,299个任务。我们提供这个研究资源来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WDC Web Table Corpus 2015（WTC）的英语关系子集中的互联网表格。WTC数据集的表格来自于2015年7月的Common Crawl网络语料库（ http://webdatacommons.org/webtables/2015/EnglishStatistics.html ）。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程的更多详细信息，请参阅我们的出版物。

谁是源语言生产者？

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，以评估任务质量。注释说明的详细说明可以在我们的出版物中找到。

谁是注释者？

由实验室助理进行注释。

个人敏感信息

数据是从 WDC Web Table Corpora 中提取的，而后者从 Common Crawl 中提取了表格。我们没有以任何方式筛选数据。因此，我们的数据集中可能包含用户身份或其他敏感信息（例如，显示种族或族裔来源、性取向、宗教信仰、政治意见或工会成员关系、地点的数据；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；犯罪历史等）。

使用数据时的注意事项

数据集的社会影响

此数据集旨在作为研究资源，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。如果不经过仔细调查，不应将其用于训练将用于决策关键或面向用户的情况的模型。

偏见讨论

由于我们的数据集中包含从网络中抓取的表格，因此它还会包含许多有害的、种族主义的、性别歧视的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。我们也没有明确地筛选内容。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

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:

1022.68 KB