Tapas Small Finetuned Wtq

🚀 TAPAS小模型在WikiTable Questions (WTQ)上微調

本模型可使用的版本有兩個。默認版本對應於原始GitHub倉庫中的tapas_wtq_wikisql_sqa_inter_masklm_small_reset檢查點。 該模型在MLM和作者稱之為中間預訓練的額外步驟上進行了預訓練，然後在SQA、WikiSQL上進行鏈式微調，最後在WTQ上微調。它使用相對位置嵌入（即在表格的每個單元格處重置位置索引）。

另一個（非默認）可使用的版本是：

• no_reset，對應於tapas_wtq_wikisql_sqa_inter_masklm_small（中間預訓練，絕對位置嵌入）。

免責聲明：發佈TAPAS的團隊沒有為該模型編寫模型卡片，因此此模型卡片由Hugging Face團隊和貢獻者編寫。

✨ 主要特性

• 具有兩個可使用的版本，滿足不同場景需求。
• 經過多輪預訓練和微調，提升模型性能。
• 可用於回答與表格相關的問題。

📚 詳細文檔

結果

模型描述

TAPAS是一個類似BERT的Transformer模型，以自監督的方式在來自維基百科的大量英文數據語料庫上進行預訓練。 這意味著它僅在原始表格和相關文本上進行預訓練，沒有人工以任何方式對其進行標註（這就是為什麼它可以使用大量公開可用的數據），並通過自動過程從這些文本中生成輸入和標籤。更準確地說，它以兩個目標進行預訓練：

• 掩碼語言模型（MLM）：取一個（扁平化的）表格和相關上下文，模型隨機掩蓋輸入中15%的單詞，然後將整個（部分掩碼的）序列輸入模型。然後模型必須預測被掩蓋的單詞。這與通常逐個查看單詞的傳統循環神經網絡（RNN）不同，也與像GPT這樣在內部掩蓋未來標記的自迴歸模型不同。它允許模型學習表格和相關文本的雙向表示。
• 中間預訓練：為了鼓勵在表格上進行數值推理，作者通過創建數百萬個語法生成的訓練示例的平衡數據集，額外對模型進行了預訓練。在這裡，模型必須預測（分類）一個句子是否由表格內容支持或反駁。訓練示例是基於合成以及反事實陳述創建的。

通過這種方式，模型學習了表格和相關文本中使用的英語的內部表示，然後可以用於提取對下游任務有用的特徵，如下回答關於表格的問題，或確定一個句子是否由表格內容蘊含或反駁。微調是通過在預訓練模型之上添加一個單元格選擇頭和聚合頭，然後在SQa、WikiSQL上聯合訓練這些隨機初始化的分類頭和基礎模型，最後在WTQ上進行。

預期用途和限制

你可以使用此模型回答與表格相關的問題。 關於代碼示例，請參考HuggingFace網站上TAPAS的文檔。

訓練過程

預處理

文本使用WordPiece進行小寫處理和分詞，詞彙表大小為30,000。模型的輸入形式如下：

[CLS] 問題 [SEP] 扁平化表格 [SEP]

作者首先使用自動轉換腳本將WTQ數據集轉換為SQA的格式。

微調

該模型在32個Cloud TPU v3核心上進行了50,000步的微調，最大序列長度為512，批次大小為512。 在這種設置下，微調大約需要10小時。使用的優化器是Adam，學習率為1.93581e - 5，預熱比率為0.128960。添加了歸納偏置，使得模型僅選擇同一列的單元格。這反映在TapasConfig的select_one_column參數中。更多詳細信息請參閱論文（表11和12）。

BibTeX引用和引用信息

@misc{herzig2020tapas,
      title={TAPAS: Weakly Supervised Table Parsing via Pre-training}, 
      author={Jonathan Herzig and Paweł Krzysztof Nowak and Thomas Müller and Francesco Piccinno and Julian Martin Eisenschlos},
      year={2020},
      eprint={2004.02349},
      archivePrefix={arXiv},
      primaryClass={cs.IR}
}

@misc{eisenschlos2020understanding,
      title={Understanding tables with intermediate pre-training}, 
      author={Julian Martin Eisenschlos and Syrine Krichene and Thomas Müller},
      year={2020},
      eprint={2010.00571},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@article{DBLP:journals/corr/PasupatL15,
  author    = {Panupong Pasupat and
               Percy Liang},
  title     = {Compositional Semantic Parsing on Semi-Structured Tables},
  journal   = {CoRR},
  volume    = {abs/1508.00305},
  year      = {2015},
  url       = {http://arxiv.org/abs/1508.00305},
  archivePrefix = {arXiv},
  eprint    = {1508.00305},
  timestamp = {Mon, 13 Aug 2018 16:47:37 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/PasupatL15.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本模型使用Apache-2.0許可證。