MicPie/unpredictable_rated-medium

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少样本学习性能。数据集包含多种任务类型，如多项选择、问答、文本生成等。数据集的创建基于WDC Web Table Corpus 2015，并通过自动化的方式将表格转换为少样本学习任务。数据集未进行数据过滤，因此可能包含敏感信息或有害偏见。

原始信息汇总

数据集概述：UnpredicTable-rated-medium

数据集描述

数据集总结

UnpredicTable-rated-medium 是一个包含从网页表格中提取的少量样本任务的数据集，旨在通过微调语言模型来提高其少量样本学习性能。该数据集是 UnpredicTable 系列的一部分，根据人工质量评级分为不同子集。

支持的任务

数据集支持多种任务，包括：

• 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

语言

数据集仅包含英语内容。

数据集结构

数据实例

每个任务以 JSON 行文件形式表示，包含多个少量样本示例。每个示例包含 task（任务标识）、input（输入列元素）、options（选项）和 output（输出目标）字段。

数据字段

• task: 任务标识
• 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: 包含表格的网站链接
• wdcFile: WDC 网络表格语料库文件

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，该语料库包含 50,820,165 个表格，来自 323,160 个网络域名。

标注

数据集的某些子集（如 UnpredicTable-rated-medium）进行了人工标注，以评估任务质量。

个人和敏感信息

数据集可能包含未经过滤的个人和敏感信息，因为数据直接从网络表格中提取。

使用数据的考虑

社会影响

数据集应用于研究目的，以探索训练数据与少量样本学习之间的关系。由于数据质量不一且内容多样，应谨慎使用，避免在决策关键或面向用户的场景中使用。

偏见讨论

数据集可能包含网络表格中的有害偏见和文本，模型训练时应考虑这些潜在问题。

附加信息

数据集管理员

• Jun Shern Chan
• Michael Pieler
• Jonathan Jao
• Jérémy Scheurer
• Ethan Perez

许可信息

数据集遵循 Apache 2.0 许可。

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} }