MicPie/unpredictable_phonearena-com

UnpredicTable数据集包含从互联网表格中提取的少样本任务，用于微调语言模型以提高其少样本性能。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，每个版本有不同的任务数量和来源。数据集支持多种任务类型，如多项选择、问答、文本分类等。数据集的创建目的是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

名称: UnpredicTable-phonearena-com

语言: 英语

许可证: Apache-2.0

多语言性: 单语

大小: 100K<n<1M

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

任务ID:

• 多项选择-问答
• 抽取式问答
• 开放域问答
• 封闭域问答
• 闭书问答
• 开书问答
• 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:

• 每个任务以jsonline文件形式表示，包含多个少样本示例。
• 每个示例是一个字典，包含task（任务标识）、input（输入）、options（选项）和output（输出）字段。
• input字段包含表中同一行的几个列元素，output字段是同一行的目标列元素。
• 对于多选分类，options字段提供可选类别。

数据字段:

• task: 任务标识
• input: 表中特定行的列元素
• 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:

• 数据集从WDC Web Table Corpus 2015的英语关系子集中自动提取，该子集包含50,820,165个表格。

注释:

• 仅对特定子集进行了手动注释以评估任务质量。

个人和敏感信息:

• 数据集可能包含未过滤的个人或敏感信息，因为它是从互联网表格中提取的。

使用数据集的考虑

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，可能不适合用于训练决策关键或面向用户的模型。

偏见讨论:

• 数据集可能包含来自互联网的偏见和有害内容，模型训练时应考虑这些因素。

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