Tapas Base Finetuned Sqa

🚀 TAPAS基礎模型在序列問答（SQA）上的微調版本

本模型有兩個可用版本。默認版本對應於原始GitHub倉庫中的 tapas_sqa_inter_masklm_base_reset 檢查點。該模型在掩碼語言模型（MLM）和作者所稱的中間預訓練步驟上進行了預訓練，然後在SQA上進行了微調。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）可用版本是：

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

免責聲明：發佈TAPAS的團隊並未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊及貢獻者編寫。

✨ 主要特性

• 基於大規模英文維基百科數據進行自監督預訓練，學習表格及相關文本的語言內部表示。
• 支持兩種位置嵌入方式，可根據需求選擇不同版本。
• 可用於對話場景下的表格問答任務。

📚 詳細文檔

SQA上的開發準確率結果

模型描述

TAPAS是一個類似BERT的Transformer模型，以自監督的方式在大規模英文維基百科數據上進行預訓練。這意味著它僅在原始表格和相關文本上進行預訓練，沒有人工進行任何標註（因此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。更確切地說，它以兩個目標進行預訓練：

• 掩碼語言模型（MLM）：給定一個（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（部分掩蓋的）序列輸入模型。模型必須預測被掩蓋的單詞。這與傳統的循環神經網絡（RNN）不同，RNN通常逐個處理單詞，也與像GPT這樣的自迴歸模型不同，GPT會在內部掩蓋未來的標記。這使得模型能夠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）一個句子是否得到表格內容的支持或反駁。訓練示例基於合成和反事實陳述創建。

通過這種方式，模型學習了表格和相關文本中使用的英語語言的內部表示，然後可以用於提取對下游任務有用的特徵，例如回答關於表格的問題，或確定一個句子是否被表格內容所蘊含或反駁。微調是通過在預訓練模型之上添加一個單元格選擇頭，然後在SQA上聯合訓練這個隨機初始化的分類頭和基礎模型來完成的。

預期用途和限制

你可以使用此模型在對話場景中回答與表格相關的問題。有關代碼示例，請參考Hugging Face網站上TAPAS的文檔。

訓練過程

預處理

文本被轉換為小寫，並使用WordPiece進行分詞，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]

微調

該模型在32個Cloud TPU v3核心上進行了200,000步的微調，最大序列長度為512，批量大小為128。在這種設置下，微調大約需要20小時。使用的優化器是Adam，學習率為1.25e-5，熱身比例為0.2。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。另請參閱原始論文的表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}
}

@InProceedings{iyyer2017search-based,
author = {Iyyer, Mohit and Yih, Scott Wen-tau and Chang, Ming-Wei},
title = {Search-based Neural Structured Learning for Sequential Question Answering},
booktitle = {Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics},
year = {2017},
month = {July},
abstract = {Recent work in semantic parsing for question answering has focused on long and complicated questions, many of which would seem unnatural if asked in a normal conversation between two humans. In an effort to explore a conversational QA setting, we present a more realistic task: answering sequences of simple but inter-related questions. We collect a dataset of 6,066 question sequences that inquire about semi-structured tables from Wikipedia, with 17,553 question-answer pairs in total. To solve this sequential question answering task, we propose a novel dynamic neural semantic parsing framework trained using a weakly supervised reward-guided search. Our model effectively leverages the sequential context to outperform state-of-the-art QA systems that are designed to answer highly complex questions.},
publisher = {Association for Computational Linguistics},
url = {https://www.microsoft.com/en-us/research/publication/search-based-neural-structured-learning-sequential-question-answering/},
}

📄 許可證

本模型使用Apache-2.0許可證。