MicPie/unpredictable_cram-com

UnpredicTable-cram-com数据集是一个用于提升语言模型小样本学习性能的资源，它将网页表格格式化为小样本任务，用于模型的微调。该数据集包含多个版本和子集，根据质量评级和网站来源等不同标准进行划分。数据集为单语种，仅包含英语内容，并根据Apache 2.0许可证授权。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cram-com
• 别名: UnpredicTable

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

数据集版本

• UnpredicTable-full: 包含413,299任务，来自23,744个独特网站。
• UnpredicTable-unique: 与UnpredicTable-full相同，但每个网站最多一个任务。
• UnpredicTable-5k: 包含5k随机表。
• UnpredicTable-rated-low/medium/high: 基于人工质量评级的子集。
• UnpredicTable-clusterXX: 基于聚类的子集。
• 特定网站子集: 如UnpredicTable-cram-com等，基于网站来源的子集。

任务类型

• 支持的任务: 多选题、问答、零样本分类、文本生成、表格问答、文本分类、表格分类等。
• 任务ID: 包括多种问答、语言建模、多类分类、自然语言推理、主题分类等。

数据结构

• 数据实例: 每个任务以jsonline文件形式存在，包含多个few-shot示例。
• 数据字段: 包括任务标识、输入、选项、输出等。
• 数据分割: 无额外数据分割。

数据创建

• 采集理由: 用于研究训练数据与少样本学习之间的关系。
• 源数据: 来自WDC Web Table Corpus 2015的互联网表格。
• 注释: 仅对特定子集进行人工质量评级。

使用考虑

• 社会影响: 包含高质量和低质量数据，可能不适合用于决策关键或用户面对的场景。
• 偏见讨论: 数据集可能包含有害偏见和有毒文本。

附加信息

• 数据集管理者: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 许可证信息: Apache 2.0
• 引用信息: 见提供的引用信息。