MicPie/unpredictable_cluster24

UnpredicTable数据集由互联网表格格式化而成的少样本任务组成，旨在通过微调语言模型来提高其在少样本任务中的表现。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，每个版本有不同的特点和用途。数据集的语言为英语，未进行人工标注，但部分子集进行了任务质量的人工评分。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

名称: UnpredicTable-cluster24

语言: 英语

许可证: Apache-2.0

多语言性: 单语种

大小: 100K<n<1M

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

数据集结构

数据实例:

• 每个任务以jsonline文件形式表示，包含多个few-shot示例。
• 每个示例包含task, input, options, output等字段。
• 额外元数据包括pageTitle, title, outputColName, url, wdcFile。

数据字段:

• task: 任务标识符
• input: 表格中特定行的列元素
• options: 多选分类中的选项
• output: 与输入同一行的目标列元素
• pageTitle: 包含表格的页面标题
• outputColName: 输出列名
• url: 包含表格的网站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:

• 数据源自WDC Web Table Corpus 2015的英语关系子集。
• 数据包含50,820,165个表格，来自323,160个网站域名。

注释过程:

• 仅对特定子集进行手动注释以评估任务质量。
• 注释由实验室助理完成。

个人和敏感信息:

• 数据未经过滤，可能包含敏感信息。

使用数据时的考虑

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，包含高质量和低质量数据，以及可能不真实或不适当的内容。

偏见讨论:

• 数据集可能包含有害偏见和有毒文本，未进行偏见分析或内容过滤。

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:

@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} }