MicPie/unpredictable_cluster20
收藏资源简介:
UnpredicTable-cluster20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筛选标准。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,且没有额外的数据分割。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。
The UnpredicTable-cluster20 dataset is a web table-based few-shot task dataset designed to improve language models' performance on few-shot tasks via fine-tuning. It includes multiple variants such as UnpredicTable-full, UnpredicTable-unique, UnpredicTable-5k, and others, each with distinct filtering criteria. The dataset covers a wide range of task types, including multiple choice, question answering, text classification, and more. It is compiled in English with no additional data splits. This dataset was developed to investigate the relationship between training data and few-shot learning.
数据集概述
数据集名称
- 名称: UnpredicTable-cluster20
- 别名: UnpredicTable
数据集描述
- 概述: UnpredicTable是一个包含网络表格的数据集,这些表格被格式化为少样本任务,用于微调语言模型以提高其少样本性能。
- 版本: 该数据集有多个版本,包括UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k以及基于人工质量评级的子集等。
支持的任务
- 任务类型: 多选题、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、表格分类等。
- 任务ID: 包括多选题QA、抽取式QA、开放域QA、闭域QA、闭书QA、开书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、表格多标签分类等。
语言
- 语言: 英语
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。每个示例包括task、input、options、output等字段。
- 数据字段: 包括任务标识、输入列元素、选项、输出目标、页面标题、输出列名、URL、WDC文件等。
- 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中提取,该数据集包含50,820,165个表格,来自323,160个网络域。
- 注释过程: 仅对特定子集进行了人工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。
使用数据的考虑
- 社会影响: 数据集应用于研究目的,可能包含高质量和低质量数据,以及可能不真实或不适当的内容。
- 偏见讨论: 数据集可能包含网络上的有害偏见和文本,未进行偏见分析或内容过滤。
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: Apache 2.0
- 引用信息: 请参阅提供的引用信息。




