MicPie/unpredictable_cappex-com

UnpredicTable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在少样本任务中的表现。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。数据集支持多种任务类型，如多项选择、问答、文本生成等，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，且未进行额外的数据分割。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，数据集来源于WDC Web Table Corpus 2015，未经过过滤，可能包含敏感信息。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cappex.com
• 别名: UnpredicTable

数据集基本信息

• 语言: 英语
• 许可证: Apache-2.0
• 多语言性: 单语种
• 数据集大小: 100K<n<1M

数据集版本

• UnpredicTable-full: 包含413,299任务，来自23,744个独特网站。
• UnpredicTable-unique: 每个网站最多一个任务，共23,744任务。
• UnpredicTable-5k: 随机选择5k个表格。
• UnpredicTable-rated-low/medium/high: 基于人工质量评级的子集。
• 基于网站来源的子集: 如UnpredicTable-baseball-fantasysports-yahoo-com等。
• 基于聚类的子集: 如UnpredicTable-cluster00至UnpredicTable-cluster29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文件形式存在，包含多个few-shot示例。
• 数据字段: 包括任务标识、输入、选项、输出等。
• 数据分割: 未提供额外数据分割。

数据集创建

• 来源数据: 从WDC Web Table Corpus 2015中提取的互联网表格。
• 注释过程: 仅对特定子集进行人工质量评级。
• 个人和敏感信息: 数据未经过滤，可能包含敏感信息。

使用考虑

• 社会影响: 用于研究训练数据与few-shot学习之间的关系。
• 偏见讨论: 数据集可能包含有害偏见和文本。

附加信息

• 数据集管理员: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 引用信息: 参见提供的引用文献。