mboth/sichern-50-undersampled

--- configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* - split: valid path: data/valid-* dataset_info: features: - name: Datatype dtype: string - name: Beschreibung dtype: string - name: Name dtype: string - name: Unit dtype: string - name: text dtype: string - name: Grundfunktion dtype: string - name: label dtype: class_label: names: '0': Brandmeldeanlage '1': Brandschutzklappe '2': Einbruchmeldeanlage '3': Entrauchung-Ventilator '4': Feuerlöschanlage '5': Gaswarnanlage '6': Notruf '7': Rauchmeldeanlage splits: - name: train num_bytes: 38006.082374966565 num_examples: 193 - name: test num_bytes: 186480 num_examples: 935 - name: valid num_bytes: 186480 num_examples: 935 download_size: 130269 dataset_size: 410966.0823749666 --- # Dataset Card for "sichern-50-undersampled" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)配置项： - 配置名称：default（默认配置） 数据文件： - 拆分集：train（训练集），路径：data/train-* - 拆分集：test（测试集），路径：data/test-* - 拆分集：valid（验证集），路径：data/valid-* 数据集信息： 特征： - 名称：数据类型（Datatype），数据类型：字符串 - 名称：描述（Beschreibung），数据类型：字符串 - 名称：名称（Name），数据类型：字符串 - 名称：单位（Unit），数据类型：字符串 - 名称：文本（text），数据类型：字符串 - 名称：基本功能（Grundfunktion），数据类型：字符串 - 名称：标签（label），数据类型： 类别标签： 类别名称： '0': 火灾报警系统（Brandmeldeanlage） '1': 防火卷帘（Brandschutzklappe） '2': 入侵报警系统（Einbruchmeldeanlage） '3': 排烟风机（Entrauchung-Ventilator） '4': 灭火系统（Feuerlöschanlage） '5': 气体报警系统（Gaswarnanlage） '6': 紧急呼叫（Notruf） '7': 烟雾报警系统（Rauchmeldeanlage） 拆分集： - 名称：训练集，字节数：38006.082374966565，样本数量：193 - 名称：测试集，字节数：186480，样本数量：935 - 名称：验证集，字节数：186480，样本数量：935 下载大小：130269 数据集总大小：410966.0823749666 --- # "sichern-50-undersampled" 数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

配置

• 默认配置：
  • 训练集：路径为 data/train-*
  • 测试集：路径为 data/test-*
  • 验证集：路径为 data/valid-*

数据特征

• Datatype：字符串类型
• Beschreibung：字符串类型
• Name：字符串类型
• Unit：字符串类型
• text：字符串类型
• Grundfunktion：字符串类型
• label：分类标签，包含以下类别：
  • 0: Brandmeldeanlage
  • 1: Brandschutzklappe
  • 2: Einbruchmeldeanlage
  • 3: Entrauchung-Ventilator
  • 4: Feuerlöschanlage
  • 5: Gaswarnanlage
  • 6: Notruf
  • 7: Rauchmeldeanlage

数据分割

• 训练集：
  • 字节数：38006.082374966565
  • 样本数：193
• 测试集：
  • 字节数：186480
  • 样本数：935
• 验证集：
  • 字节数：186480
  • 样本数：935

数据集大小

• 下载大小：130269 字节
• 数据集大小：410966.0823749666 字节

搜集汇总

数据集介绍

构建方式

在建筑安全与消防工程领域，数据集的构建往往面临类别不均衡的挑战。mboth/sichern-50-undersampled数据集正是为解决此问题而设计，它源自对德语建筑安全设备文本数据的精心采集与处理。该数据集通过欠采样策略，从原始数据中均衡抽取样本，形成了包含训练集、测试集和验证集的结构化划分。其中训练集包含193个样本，测试集与验证集各含935个样本，确保了模型训练与评估的平衡性。数据特征涵盖Datatype、Beschreibung、Name、Unit、text及Grundfunktion等多个维度，标签则细分为8类建筑安全设备，如Brandmeldeanlage（火灾报警系统）与Brandschutzklappe（防火阀）等。

特点

该数据集的核心特点在于其针对建筑安全领域的专业性与类别平衡设计。标签体系覆盖了从火灾报警、气体检测到紧急呼叫等8种关键设备类型，反映了工业安全场景的多样性。通过欠采样技术，有效缓解了原始数据中可能存在的类别分布不均问题，使得每一类设备在训练与评估中均获得同等关注。此外，数据包含多模态文本字段，如设备名称、描述及基本功能，为模型提供了丰富的语义信息。数据集规模适中，测试集与验证集各近千个样本，兼顾了实验效率与统计可靠性，尤其适合小样本学习与文本分类任务的基准测试。

使用方法

使用该数据集时，研究者可直接通过HuggingFace Datasets库加载，指定配置名为'default'即可获取预划分的train、test和valid三部分数据。数据以parquet格式存储，字段包括文本描述（text）与标签（label），便于直接用于文本分类模型的训练与评估。为保持数据分布一致性，建议沿用默认的随机划分。由于标签为整数编码，可映射至8类安全设备名称，适合多分类任务。在预处理阶段，可对德语文本进行分词或嵌入，结合BERT等预训练模型进行微调。数据集规模较小，适合快速迭代实验，但需注意欠采样可能带来的信息损失，评估时应关注各类别的精确率与召回率。

背景与挑战

背景概述

在工业安全与智能消防领域，设备类型的精准识别是自动化监控与应急响应的核心环节。mboth团队于近期构建了sichern-50-undersampled数据集，旨在解决德语环境下建筑安全设备（如火灾报警系统、防火阀、入侵报警系统等）的文本分类问题。该数据集包含193个训练样本、935个测试样本及同等规模的验证样本，覆盖8类关键安全设备，其名称与描述均以德文呈现。通过引入下采样策略，数据集在类别不平衡问题上进行了针对性优化，为多标签分类任务提供了更具挑战性的基准。该数据集的发布填补了德语安全设备文本分类领域的空白，推动了自然语言处理技术在工业安全场景中的实际应用。

当前挑战

当前数据集面临的核心挑战集中于领域适配与数据稀缺性。首先，安全设备文本分类需应对专业术语的复杂性与语义歧义，例如“Brandmeldeanlage”与“Rauchmeldeanlage”在功能描述上的细微差异，要求模型具备高精度的语义理解能力。其次，训练样本仅193条，远低于通用文本分类任务的数据规模，极易导致过拟合与泛化能力不足。构建过程中，下采样虽缓解了类别不平衡，却进一步压缩了有效信息量，使得模型难以捕捉罕见类别的特征模式。此外，德文复合词结构与领域缩写（如“Entrauchung-Ventilator”）增加了分词与特征提取的难度，对预训练语言模型的跨领域迁移能力提出了严峻考验。

常用场景

经典使用场景

在建筑安全与消防工程领域，多类别设备信号的智能识别是自动化监控系统的核心挑战之一。该数据集聚焦于德语文本描述中的安全设备分类任务，涵盖火灾报警系统、防火阀、入侵报警系统、排烟风机、灭火系统、气体报警装置、紧急呼叫及烟雾报警系统等八个关键类别。经典使用场景在于利用自然语言处理技术，对设备描述文本进行多分类建模，以验证模型在专业术语密集、类别分布不均的小样本场景下的泛化能力。该数据集通过欠采样策略平衡类别分布，为研究低资源条件下的文本分类提供了基准测试平台。

解决学术问题

该数据集有效回应了建筑安全领域文本数据稀缺与类别不平衡的学术困境。传统方法在处理专业设备描述时往往因术语特异性与数据稀疏性而性能受限。该数据集通过系统性的标注与欠采样处理，为研究者提供了评估少样本学习、迁移学习及预训练语言模型（如BERT）在特定领域适应性的标准环境。它推动了多标签分类与领域自适应技术的研究进展，揭示了在安全工程文本中，语义特征如何被有效提取以区分功能相似但类别不同的设备，从而深化了对专业领域文本理解的理论认识。

衍生相关工作

该数据集衍生了一系列针对专业领域文本分类的经典工作。研究者基于此数据集探索了数据增强技术（如同义词替换与回译）对少样本分类性能的提升效果，并对比了传统机器学习方法（如SVM与随机森林）与深度学习模型（如CNN与Transformer）的优劣。此外，该数据集激发了跨语言迁移学习的研究，例如将德语设备描述映射到英语预训练模型的特征空间。部分工作还聚焦于层级分类架构的设计，以处理类别间的语义重叠问题，这些研究共同丰富了安全工程领域自然语言处理的方法论体系。