MicPie/unpredictable_cluster02

UnpredicTable-cluster02数据集是一个基于网络表格的少样本任务数据集，旨在通过微调语言模型来提高其少样本性能。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，每个版本都有不同的过滤和聚类标准。数据集支持多种任务，如多项选择、问答、文本分类等，并且数据集的形状非常广泛，涵盖了大量的任务，但每个任务的样本数量较少。数据集的语言为英语，数据集的创建目的是为了研究训练数据与少样本学习之间的关系。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cluster02
• 别名: UnpredicTable-cluster02

基本信息

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

任务类型

• 任务类别:
  • 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-QA
  • 抽取式QA
  • 开放域QA
  • 封闭域QA
  • 封闭书QA
  • 开放书QA
  • 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:
  • 每个任务表示为jsonline文件，包含多个few-shot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: 无额外数据分割

数据集创建

• 来源数据:
  • 从WDC Web Table Corpus 2015的英语关系子集中自动提取413,299个任务。
• 注释:
  • 仅对特定子集进行手动注释以评估任务质量。
• 个人信息和敏感信息:
  • 数据未经过滤，可能包含敏感信息。

使用数据注意事项

• 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，不适合直接用于决策或用户界面。
• 偏见讨论:
  • 数据集可能包含有害偏见，未进行偏见分析。

附加信息

• 数据集管理员:
  • Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 许可证信息:
  • Apache 2.0
• 引用信息:
  • 请参阅论文《Few-shot Adaptation Works with UnpredicTable Data》。