MicPie/unpredictable_cluster27

UnpredicTable数据集由网络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，包括多项选择、问答、文本分类等。数据集的创建基于WDC Web Table Corpus 2015，并通过自动提取任务来生成少样本学习任务。数据集的语言为英语，且未进行额外的数据分割。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cluster27
• 别名: UnpredicTable数据集的集群子集之一

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个任务，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个随机选择的表格。
• 基于质量评级的子集:
  • UnpredicTable-rated-low
  • UnpredicTable-rated-medium
  • UnpredicTable-rated-high
• 基于网站来源的子集:
  • 多个特定网站的子集，如UnpredicTable-baseball-fantasysports-yahoo-com等。
• 基于聚类的子集:
  • 多个集群子集，如UnpredicTable-cluster00至UnpredicTable-cluster29，以及UnpredicTable-cluster-noise。

支持的任务类型

• 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，包含多个少样本示例。
• 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

数据集创建

• 来源数据: 从WDC Web Table Corpus 2015中提取的互联网表格。
• 注释: 仅对特定子集进行了人工质量评级。
• 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，未进行偏见分析或内容过滤。

许可证信息

• 许可证: 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} }