数据集:

MicPie/unpredictable_rated-low

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-rated-low"数据集的数据卡片 - 来自表格的Few-shot任务数据集

数据集摘要

UnpredicTable数据集由格式化为Few-shot任务的Web表格组成，用于改进语言模型的Few-shot性能。

有几个可用的数据集版本：

UnpredicTable-full ：从5000万个表格的初始WTC语料库开始，我们应用表格到任务的过程，产生了我们的结果数据集 UnpredicTable-full ，其中包括来自23744个唯一网站的413299个任务。
UnpredicTable-unique ：与 UnpredicTable-full 相同，但经过筛选，每个网站最多有一个任务。 UnpredicTable-unique 包含来自23744个网站的23744个任务。
UnpredicTable-5k ：此数据集包含来自完整数据集的5000个随机表格。
根据人工质量评级的UnpredicTable数据子集（有关评级的详细信息，请参阅我们的出版物）：
根据来源网站的UnpredicTable数据子集：
基于聚类的UnpredicTable数据子集（有关聚类细节，请参阅我们的出版物）：

支持的任务和排行榜

由于表格来自Web，任务和主题的分布非常广泛。我们的数据集非常宽，即我们有数千个任务，而每个任务只有几个例子，与大多数当前的NLP数据集非常深，即有许多例子的几十个任务相比。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、问题回答、表格问题回答、文本分类等。

此数据集的目的是通过在我们的数据集上进行微调/预训练来提高Few-shot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，由几个Few-shot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，后跟'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，表示输入的同一行的一个单独列。每个任务包含多个此类示例，可以连接为Few-shot任务。在多项选择分类的情况下，'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，例如'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'：多项选择分类，提供可供选择的选项。

'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网页表格语料库文件

数据拆分

UnpredicTable数据集不带有其他数据拆分。

数据集创建

策展理由

多任务数据的Few-shot训练已经证明可以提高语言模型在新任务上的Few-shot学习（FSL）性能，但不清楚哪些训练任务导致有效的下游任务适应。 Few-shot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Few-shot数据的替代来源，我们自动从多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，以研究训练数据与Few-shot学习之间的关系。

源数据

初始数据收集和标准化筛选

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网页语料库中提取的（ http://webdatacommons.org/webtables/2015/EnglishStatistics.html ），数据集包含323,160个网络域的50,820,165个表格。然后，我们将表格转换为Few-shot学习任务。有关数据收集和转换流程的详细信息，请参见我们的出版物。

谁是源语言生产者？

数据集从 WDC Web Table Corpora 中提取。

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级任务质量。注释说明的详细说明可以在我们的出版物中找到。

注释者是谁？

注释由实验室助理进行。

个人和敏感信息

数据从 WDC Web Table Corpora 中提取，而后者从 Common Crawl 中提取表格。我们没有以任何方式对数据进行筛选。因此，我们的数据集可能包含任何用户身份或其他敏感信息（例如，显示种族或族裔、性取向、宗教信仰、政治观点或工会会员身份或位置；金融或健康数据；生物特征或遗传数据；政府识别形式，例如社会安全号码；犯罪历史记录等）。

使用数据的注意事项

数据集的社会影响

此数据集旨在作为研究资源，以研究训练数据与Few-shot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各种内容。未经仔细调查，不应将其用于训练将部署在决策关键或用户面向情况中的模型。

偏见讨论

由于我们的数据集包含从Web中抓取的表格，因此它还将包含许多有害的偏见和文本，如有毒、种族主义、性别歧视和其他有害偏见。我们没有对我们的数据集中的偏见进行任何分析。我们也没有明确过滤内容。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

没有其他已知限制。

其他信息

数据集策展者

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:

5.91 MB