sert121/adult_data_instruction_leaving_relationship

该数据集包含三个特征：input（字符串类型）、instruction（字符串类型）和output（整数类型）。数据集被分割为训练集，包含15682个样本，总大小为6299613字节。数据集的下载大小为672892字节。

The dataset contains three features: input (string type), instruction (string type), and output (integer type). The dataset is split into a training set with 15682 samples, totaling 6299613 bytes. The download size of the dataset is 672892 bytes.

搜集汇总

数据集介绍

构建方式

该数据集基于经典的Adult Census Income数据集进行构建，通过引入指令微调（instruction tuning）范式，将原始结构化数据转化为三元组形式。每条样本包含三个字段：'input'（原始特征描述）、'instruction'（任务指令）和'output'（收入标签，以整型0/1表示）。数据集划分为单一训练集，包含15,682条样本，文件以parquet格式存储于'data/train-*'路径下。构建过程中，研究者可能将原始属性（如年龄、教育、职业）拼接为自然语言输入，并设计明确的分类指令，从而将传统表格分类任务转换为指令跟随任务。

特点

该数据集的核心特色在于其将结构化表格数据与指令学习范式相融合，突破了传统分类数据集仅提供输入-输出对的局限。通过引入显式指令字段，模型需理解任务语义（如“预测收入是否超过50K”）而非仅学习特征映射。数据规模适中（约1.5万条），适合作为指令微调或少样本学习的基准。特征维度涵盖了人口统计学、职业、教育等关键社会经济变量，标签为二元分类，便于评估模型在结构化数据上的指令遵循能力与泛化性能。

使用方法

该数据集适用于训练和评估大语言模型在结构化数据上的指令跟随能力。使用时，可将'input'字段作为模型输入上下文，'instruction'作为任务提示，'output'作为目标标签。典型应用场景包括：基于表格数据的零样本分类、少样本学习或指令微调。研究者可直接加载parquet文件，按标准监督学习流程划分训练集（已预定义），或进一步拆分验证集。模型需根据输入特征和指令，输出对应的二元分类结果，从而检验其对结构化信息的理解与推理能力。

背景与挑战

背景概述

该数据集由sert121于近年创建，聚焦于成人收入预测任务，基于经典的UCI Adult数据集进行指令式重构。核心研究问题在于将结构化表格数据转化为自然语言指令格式，以适配大语言模型的微调需求。通过将原始特征如年龄、教育、职业等转化为‘input’字段，并辅以明确‘instruction’描述，模型需学习从文本中推断个人年收入是否超过5万美元。这一工作推动了结构化数据与语言模型之间的桥梁建设，对经济预测、社会分层研究以及公平性评估等领域具有潜在影响力。

当前挑战

数据集面临的核心挑战包括：1）领域问题层面，成人收入预测本质上是一个二分类任务，但数据中类别不平衡（高收入样本占比不足25%）可能引发模型偏向多数类，导致预测偏差；2）构建过程中，将原始数值和类别特征转化为连贯的自然语言指令时，需确保语义完整性与一致性，避免信息丢失或歧义；3）隐私与公平性风险，数据中包含性别、种族等敏感属性，模型可能学习并放大社会偏见，需在微调中引入去偏策略以保障伦理合规。

常用场景

经典使用场景

在人口统计学与社会经济分析的交叉领域中，sert121/adult_data_instruction_leaving_relationship数据集以经典的UCI成人收入数据集为基础，通过引入指令微调（instruction tuning）范式，将原本的表格分类任务转化为结构化自然语言理解问题。研究者利用该数据集训练模型依据个人属性（如教育水平、职业、工作时长等）预测收入是否超过50K，同时要求模型在给定指令下输出二分类结果。这一场景不仅保留了原始数据集的基准测试价值，更使模型能够学习从自然语言描述中提取结构化特征并执行精确推理，成为评估大语言模型在表格推理与指令遵循能力上的重要基准。

解决学术问题

该数据集有效解决了传统表格数据与预训练语言模型之间存在的语义鸿沟问题。在学术研究中，标准机器学习方法通常依赖特征工程与数值化处理，而大语言模型难以直接理解表格结构。sert121/adult_data_instruction_leaving_relationship通过将每一条记录转化为包含指令、输入和标签的自然语言三元组，使模型能够在不依赖额外特征编码的情况下进行端到端的分类推理。这为探究语言模型在结构化数据上的泛化能力、指令遵循的鲁棒性以及多任务迁移学习提供了可复现的实验平台，推动了表格理解与自然语言处理交叉领域的方法论创新。

衍生相关工作

基于此数据集，学术界衍生出一系列聚焦于表格指令微调与上下文学习的经典工作。例如，研究者通过对比不同指令模板对模型推理准确率的影响，揭示了提示工程在结构化任务中的关键作用；另有工作探索了多轮对话框架下表格数据的动态查询机制，使得模型能够根据用户逐步细化的指令完成条件过滤与聚合分析。此外，该数据集还被用作评估指令微调数据增强策略的测试床，相关工作证明了混合使用自然语言指令与原始表格标签能够显著提升模型在未见任务上的零样本迁移能力，为构建通用表格理解智能体奠定了数据基础。