MicPie/unpredictable_cluster05

UnpredicTable数据集由互联网表格格式化而成的few-shot任务组成，旨在通过微调语言模型来提高其在few-shot学习中的表现。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，分别基于不同的筛选标准生成。数据集支持多种任务类型，如多项选择、问答、文本分类等。数据集的创建目的是研究训练数据与few-shot学习之间的关系。数据集的语言为英语，未进行人工标注，但部分子集进行了质量评级。数据集可能包含敏感信息，使用时需谨慎。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cluster05
• 别名: 无

数据集基本信息

• 语言: 英语
• 许可证: Apache-2.0
• 多语言性: 单语种
• 大小: 100K<n<1M

数据集任务

• 任务类型:
  • 多项选择
  • 问答
  • 零样本分类
  • 文本到文本生成
  • 表格问答
  • 文本生成
  • 文本分类
  • 表格分类
• 具体任务ID:
  • 多项选择-问答
  • 抽取式问答
  • 开放域问答
  • 封闭域问答
  • 封闭书本问答
  • 开放书本问答
  • 语言建模
  • 多类分类
  • 自然语言推理
  • 主题分类
  • 多标签分类
  • 表格多类分类
  • 表格多标签分类

数据集结构

• 数据实例: 每个任务以jsonline文件形式存在，包含多个少样本示例。每个示例包含task, input, options, output等字段。
• 数据字段:
  • task: 任务标识符
  • input: 表中特定行的列元素
  • options: 多选项分类的选择项
  • output: 与输入同行的目标列元素
  • pageTitle: 包含表的页面标题
  • outputColName: 输出列名
  • url: 包含表的网站URL
  • wdcFile: WDC Web Table Corpus文件
• 数据分割: 数据集未提供额外的数据分割。

数据集创建

• 来源数据: 数据集从WDC Web Table Corpus 2015中提取，该数据集包含50,820,165个表。
• 注释过程: 仅对特定子集进行了人工质量评级注释。
• 个人和敏感信息: 数据集可能包含未过滤的个人和敏感信息。

使用数据集的考虑

• 社会影响: 数据集用于研究训练数据与少样本学习之间的关系，不适合用于决策关键或面向用户的模型训练。
• 偏见讨论: 数据集可能包含网络上的有害偏见和文本，未进行偏见分析。

附加信息

• 数据集管理者: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez

• 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} }