TAPAS在WikiTable Questions (WTQ)上微调的tiny模型

这个模型有两个可以使用的版本。默认版本对应于 original Github repository 的tapas_wtq_wikisql_sqa_inter_masklm_tiny_reset检查点。该模型在MLM上进行了预训练，并进行了作者称之为中间预训练的额外步骤，然后在 SQA 、 WikiSQL 和最后的 WTQ 上进行了链式微调。它使用相对位置嵌入（即在每个表格单元格处重新设置位置索引）。

另一个（非默认）可以使用的版本是：

• no_reset ，对应于tapas_wtq_wikisql_sqa_inter_masklm_tiny（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，因此此模型卡片由Hugging Face团队和贡献者编写。

结果

模型描述

TAPAS是一种类似BERT的transformers模型，以自监督方式在大量英文数据（来自维基百科）上进行预训练。这意味着它仅通过使用公开可用数据进行预训练，而无需以任何方式人为标记它们（这就是为什么它可以使用大量公开可用数据）并使用自动化过程从这些文本中生成输入和标签。更准确地说，它以两个目标进行了预训练：

• 掩蔽语言建模（MLM）：将（展平的）表格和相关上下文作为输入，模型随机屏蔽输入中15％的单词，然后将整个（部分屏蔽的）序列输入模型。然后模型必须预测被屏蔽的单词。这与传统的递归神经网络（RNN）不同，传统RNN通常按顺序查看单词，或者与GPT等自回归模型内部屏蔽未来标记。它使模型能够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，作者另外对模型进行了预训练，创建了数百万个句法上创建的训练样例的平衡数据集。在这里，模型必须预测（分类）表格的内容是否支持或反驳一个句子。训练样例基于合成的语句以及反事实的语句。

这样，模型学习了在表格和相关文本中用到的英语的内在表示，然后可以用于提取对于下游任务（如回答关于表格的问题，或确定句子是否被表格的内容蕴含或反驳）有用的特征。通过在预训练模型之上添加一个单元选择头和聚合头，然后联合训练这些随机初始化的分类头和基础模型，完成了微调的工作，最终在SQa、WikiSQL和WTQ上进行。

预期用途和限制

您可以使用此模型来回答与表格相关的问题。

有关代码示例，请参阅HuggingFace网站上的TAPAS文档。

训练流程

预处理

文本使用WordPiece进行小写处理和分词，使用30000个词汇大小。模型的输入形式如下：

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

作者首先使用自动转换脚本将WTQ数据集转换为SQA的格式。

微调

该模型在32个Cloud TPU v3核心上进行了50000个步骤的微调，最大序列长度为512，批大小为512。在此设置中，微调大约需要10个小时。所使用的优化器是Adam，学习率为1.93581e-5，预热比为0.128960。为模型添加归纳偏置，使其仅选择同一列的单元格。这通过TapasConfig的select_one_column参数反映出来。有关更多详细信息，请参见 paper （表11和表12）。

BibTeX条目和引文信息

@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}
}

@article{DBLP:journals/corr/PasupatL15,
  author    = {Panupong Pasupat and
               Percy Liang},
  title     = {Compositional Semantic Parsing on Semi-Structured Tables},
  journal   = {CoRR},
  volume    = {abs/1508.00305},
  year      = {2015},
  url       = {http://arxiv.org/abs/1508.00305},
  archivePrefix = {arXiv},
  eprint    = {1508.00305},
  timestamp = {Mon, 13 Aug 2018 16:47:37 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/PasupatL15.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}