MicPie/unpredictable_cluster12

UnpredicTable-cluster12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任务数量和来源。数据集的任务类型非常广泛，包括多项选择、问答、文本分类等。数据集的语言为英语，且未进行数据分割。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

数据集名称

• 名称: UnpredicTable-cluster12
• 别名: UnpredicTable

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

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: 每个任务以jsonline文件形式表示，包含多个少样本示例。每个示例包含task, input, options, output等字段。
• 数据字段:
  • task: 任务标识符
  • input: 表格中特定行的列元素
  • options: 多选分类的选项
  • output: 与输入同行的目标列元素
  • 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: 数据集源自WDC Web Table Corpus 2015的英语关系子集，包含50,820,165个表格。
• 注释过程: 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用户身份或敏感信息。

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: 数据集可能包含网络上的有害偏见和文本。

附加信息

• 数据集管理员: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 许可证: Apache 2.0
• 引用信息: 参见提供的文献引用。