有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
PIQA|常识推理数据集|物理知识数据集
收藏Opencsg2024-03-29 更新2024-06-22 收录
下载链接：
https://www.opencsg.com/datasets/OpenDataLab/PIQA
下载链接
链接失效反馈资源简介：
“PIQA 是用于常识推理的数据集，旨在调查 NLP 中现有模型的物理知识。物理 IQA 是一个二元选择任务，通常更好地视为一组两个（目标、解决方案）对。目标要使用水瓶将蛋清与蛋黄分离，您应该...蛋黄。继续推动，这会产生吸力并提起蛋黄。评估是对这个二元任务的简单准确度预测。
创建时间：
2024-03-29
AI搜集汇总
数据集介绍
构建方式
PIQA数据集的构建基于人类日常生活中的物理推理问题，通过精心设计的问答对形式呈现。数据集的创建者从多个真实场景中提取问题，并邀请专家和普通用户提供多种可能的解决方案，确保问题的多样性和解决方案的合理性。随后，通过众包平台对这些解决方案进行评估和排序，以确保数据集的高质量和实用性。
特点
PIQA数据集的显著特点在于其问题的高度生活化和解决方案的多样性。每个问题都源自日常生活中的实际情境，如如何打开一个卡住的瓶盖或如何修复一个漏水的管道。解决方案不仅包括传统的物理方法，还涵盖了创新和非传统的思维方式。此外，数据集中的问题和解决方案均经过多轮验证，确保其准确性和可靠性。
使用方法
PIQA数据集适用于多种人工智能和机器学习任务，特别是那些需要物理推理和常识推理能力的应用。研究者可以利用该数据集训练模型，以提高其在解决实际物理问题上的表现。此外，PIQA还可以用于评估现有模型的推理能力，通过对比模型生成的解决方案与数据集中的标准答案，来衡量模型的准确性和创新性。数据集的开放性和多样性使其成为物理推理领域研究的重要资源。
背景与挑战
背景概述
PIQA（Physical Interaction: Question Answering）数据集由斯坦福大学于2020年发布，旨在推动自然语言处理领域中关于物理常识推理的研究。该数据集由一系列关于日常物理现象的问题和答案组成，要求模型不仅理解语言，还需具备基本的物理常识。PIQA的发布填补了现有数据集在物理常识推理方面的空白，为研究人员提供了一个标准化的测试平台，促进了相关算法的发展和评估。
当前挑战
PIQA数据集在构建过程中面临多项挑战。首先，数据集需要涵盖广泛的物理常识，确保问题的多样性和复杂性。其次，答案的生成需基于准确的物理知识，这对数据标注的准确性和一致性提出了高要求。此外，数据集还需处理语言表达的多样性，确保模型能够理解不同表述方式下的相同物理概念。这些挑战共同构成了PIQA数据集在推动物理常识推理研究中的重要课题。
发展历史
创建时间与更新
PIQA数据集由Bisk等人于2020年创建，旨在评估自然语言理解系统在物理常识推理任务中的表现。该数据集自创建以来，未有公开的更新记录。
重要里程碑
PIQA数据集的创建标志着物理常识推理领域的一个重要里程碑。它首次系统性地收集了大量涉及物理常识的问题和答案，为研究者提供了一个标准化的评估工具。该数据集的发布促进了自然语言处理领域对常识推理能力的深入研究，尤其是在物理环境中的应用。此外，PIQA的发布也激发了后续多个相关数据集的开发，进一步推动了该领域的发展。
当前发展情况
目前，PIQA数据集已成为物理常识推理研究中的重要基准。它不仅被广泛应用于各种自然语言处理模型的评估，还为跨学科研究提供了丰富的数据资源。随着深度学习技术的进步，越来越多的研究开始利用PIQA数据集来训练和验证新型模型，以提升机器在物理常识推理任务中的表现。此外，PIQA的成功也鼓励了更多领域专家参与到数据集的构建和扩展中，预计未来将有更多高质量的数据集涌现，进一步推动物理常识推理领域的发展。
发展历程
- PIQA数据集首次发表，由OpenAI团队提出，旨在评估常识推理能力。
- PIQA数据集首次应用于多个自然语言处理模型，显著提升了这些模型在常识推理任务上的表现。
常用场景
经典使用场景
在自然语言处理领域，PIQA（Physical Interaction: Question Answering）数据集被广泛用于评估和提升机器对物理世界常识的理解能力。该数据集通过一系列涉及物理交互的问题和答案，帮助模型学习如何推理物理现象和日常生活中的物体行为。例如，模型需要判断在特定情境下，某个物体是否会滚动或滑动，从而模拟人类对物理世界的直观理解。
解决学术问题
PIQA数据集在解决学术研究中的一个关键问题是提升机器对物理常识的理解和推理能力。传统的自然语言处理模型往往缺乏对物理世界的直观理解，导致在处理涉及物理交互的问题时表现不佳。通过使用PIQA数据集，研究人员能够开发和验证新的模型，使其具备更强的物理常识推理能力，从而推动了自然语言处理技术在实际应用中的进步。
衍生相关工作
PIQA数据集的发布催生了一系列相关的经典工作，特别是在物理常识推理和自然语言处理领域。例如，研究人员基于PIQA数据集开发了新的模型，如基于图神经网络的物理常识推理模型，这些模型在多个基准测试中表现优异。此外，PIQA数据集还启发了其他类似的数据集的创建，如针对化学常识的CQA数据集，进一步扩展了机器对不同领域常识的理解能力。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。
国家青藏高原科学数据中心 收录
中国区域交通网络数据集
该数据集包含中国各区域的交通网络信息，包括道路、铁路、航空和水路等多种交通方式的网络结构和连接关系。数据集详细记录了各交通节点的位置、交通线路的类型、长度、容量以及相关的交通流量信息。
data.stats.gov.cn 收录
lmarena-ai/arena-hard-auto-v0.1
--- license: apache-2.0 dataset_info: features: - name: question_id dtype: string - name: category dtype: string - name: cluster dtype: string - name: turns list: - name: content dtype: string splits: - name: train num_bytes: 251691 num_examples: 500 download_size: 154022 dataset_size: 251691 configs: - config_name: default data_files: - split: train path: data/train-* --- ## Arena-Hard-Auto **Arena-Hard-Auto-v0.1** ([See Paper](https://arxiv.org/abs/2406.11939)) is an automatic evaluation tool for instruction-tuned LLMs. It contains 500 challenging user queries sourced from Chatbot Arena. We prompt GPT-4-Turbo as judge to compare the models' responses against a baseline model (default: GPT-4-0314). Notably, Arena-Hard-Auto has the highest *correlation* and *separability* to Chatbot Arena among popular open-ended LLM benchmarks ([See Paper](https://arxiv.org/abs/2406.11939)). If you are curious to see how well your model might perform on Chatbot Arena, we recommend trying Arena-Hard-Auto. Please checkout our GitHub repo on how to evaluate models using Arena-Hard-Auto and more information about the benchmark. If you find this dataset useful, feel free to cite us! ``` @article{li2024crowdsourced, title={From Crowdsourced Data to High-Quality Benchmarks: Arena-Hard and BenchBuilder Pipeline}, author={Li, Tianle and Chiang, Wei-Lin and Frick, Evan and Dunlap, Lisa and Wu, Tianhao and Zhu, Banghua and Gonzalez, Joseph E and Stoica, Ion}, journal={arXiv preprint arXiv:2406.11939}, year={2024} } ```
hugging_face 收录
OpenSonarDatasets
OpenSonarDatasets是一个致力于整合开放源代码声纳数据集的仓库，旨在为水下研究和开发提供便利。该仓库鼓励研究人员扩展当前的数据集集合，以增加开放源代码声纳数据集的可见性，并提供一个更容易查找和比较数据集的方式。
github 收录
典型分布式光伏出力预测数据集
光伏电站出力数据每5分钟从电站机房监控系统获取；气象实测数据从气象站获取，气象站建于电站30号箱变附近，每5分钟将采集的数据通过光纤传输到机房；数值天气预报数据利用中国电科院新能源气象应用机房的WRF业务系统（包括30TF计算刀片机、250TB并行存储）进行中尺度模式计算后输出预报产品，每日8点前通过反向隔离装置推送到电站内网预测系统。
国家基础学科公共科学数据中心 收录