TAPAS大模型在Sequential Question Answering（SQA）上进行了精调

该模型有两个可用的版本。默认版本对应于 tapas_sqa_inter_masklm_large_reset 检查点的 original Github repository 。该模型在MLM上进行了预训练，并额外进行了一步，作者称之为中间预训练，然后在 SQA 上进行了精调。它使用相对位置嵌入（即在表格的每个单元格处重置位置索引）。

另一个（非默认）可用的版本是：

• no_reset，对应于tapas_sqa_inter_masklm_large（中间预训练，绝对位置嵌入）。

免责声明：发布TAPAS的团队没有为该模型编写模型卡片，因此这个模型卡片是由Hugging Face团队和贡献者编写的。

SQA上的结果-Dev准确率

模型描述

模型描述

TAPAS是一种类似BERT的transformers模型，通过自我监督的方式在大型英文数据语料库（来自维基百科）上进行预训练。这意味着它只在原始表格和相关文本上进行了预训练，没有以任何方式人工标注它们（这就是它可以使用大量公开可用数据的原因），而是使用自动生成输入和标签的自动过程。更确切地说，它通过两个目标进行预训练：

• 遮盖语言模型（MLM）：对于一个（扁平化的）表格和相关上下文，模型会随机遮盖输入中15％的单词，然后将整个（部分遮盖的）序列输入模型。然后，模型必须预测被遮盖的单词。这与传统的递归神经网络（RNNs）通常逐个查看单词的方式不同，也不同于内部遮盖未来令牌的自回归模型（如GPT）。它允许模型学习表格和相关文本的双向表示。
• 中间预训练：为了鼓励在表格上进行数值推理，作者另外通过创建平衡数据集的方式对模型进行了预训练，该数据集包含数百万个从句法上创建的训练示例。在这里，模型必须预测（分类）句子是否由表格的内容支持或反驳。训练示例基于合成的陈述和反事实陈述生成。

通过这种方式，模型学习了表格和相关文本中使用的英语的内部表示，然后可以用于提取对下游任务有用的特征，例如回答关于表格的问题，或确定一句话是否被表格的内容支持或反驳。通过在预训练模型之上添加单元格选择头，并随机初始化此分类头与基本模型一起对SQA进行联合训练来进行精调。

拟用途和限制

您可以使用该模型来回答与表格相关的问题，例如在对话设置中。

有关代码示例，请参阅HuggingFace网站上的TAPAS文档。

训练过程

预处理

对文本进行小写处理，并使用WordPiece进行分词，词汇大小为30,000。该模型的输入形式为：

[CLS] Question [SEP] Flattened table [SEP]

精调

该模型在32个Cloud TPU v3核心上进行了200,000步的精调，最大序列长度为512，批量大小为128。在此设置中，精调大约需要20小时。使用的优化器是Adam，学习率为1.25e-5，热身比例为0.2。添加归纳偏差，使模型只选择同一列的单元格。这通过 TapasConfig 的 select_one_column 参数体现。另请参阅 original paper 的表12。

BibTeX条目和引用信息

@misc{herzig2020tapas,
      title={TAPAS: Weakly Supervised Table Parsing via Pre-training}, 
      author={Jonathan Herzig and Paweł Krzysztof Nowak and Thomas Müller and Francesco Piccinno and Julian Martin Eisenschlos},
      year={2020},
      eprint={2004.02349},
      archivePrefix={arXiv},
      primaryClass={cs.IR}
}

@misc{eisenschlos2020understanding,
      title={Understanding tables with intermediate pre-training}, 
      author={Julian Martin Eisenschlos and Syrine Krichene and Thomas Müller},
      year={2020},
      eprint={2010.00571},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@InProceedings{iyyer2017search-based,
author = {Iyyer, Mohit and Yih, Scott Wen-tau and Chang, Ming-Wei},
title = {Search-based Neural Structured Learning for Sequential Question Answering},
booktitle = {Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics},
year = {2017},
month = {July},
abstract = {Recent work in semantic parsing for question answering has focused on long and complicated questions, many of which would seem unnatural if asked in a normal conversation between two humans. In an effort to explore a conversational QA setting, we present a more realistic task: answering sequences of simple but inter-related questions. We collect a dataset of 6,066 question sequences that inquire about semi-structured tables from Wikipedia, with 17,553 question-answer pairs in total. To solve this sequential question answering task, we propose a novel dynamic neural semantic parsing framework trained using a weakly supervised reward-guided search. Our model effectively leverages the sequential context to outperform state-of-the-art QA systems that are designed to answer highly complex questions.},
publisher = {Association for Computational Linguistics},
url = {https://www.microsoft.com/en-us/research/publication/search-based-neural-structured-learning-sequential-question-answering/},
}