Tapas Small Finetuned Sqa

🚀 TAPAS小型模型在顺序问答（SQA）上的微调版本

本模型有两个可用版本。默认版本对应于原始GitHub仓库中的 tapas_sqa_inter_masklm_small_reset 检查点。该模型在掩码语言模型（MLM）和作者所称的中间预训练的额外步骤上进行了预训练，然后在SQA上进行了微调。它使用相对位置嵌入（即在表格的每个单元格处重置位置索引）。

另一个（非默认）可用版本是：

• no_reset，对应于 tapas_sqa_inter_masklm_small（中间预训练，绝对位置嵌入）。

免责声明：发布TAPAS的团队并未为该模型撰写模型卡片，因此本模型卡片由Hugging Face团队及贡献者撰写。

✨ 主要特性

• 有两个版本可供选择，分别采用不同的位置嵌入方式。
• 经过预训练和微调，可用于顺序问答任务。

📚 详细文档

SQA上的开发准确率结果

模型描述

TAPAS是一个类似于BERT的Transformer模型，它以自监督的方式在来自维基百科的大量英文数据语料库上进行了预训练。这意味着它仅在原始表格和相关文本上进行预训练，没有人工进行任何标注（这就是为什么它可以使用大量公开可用的数据），并通过自动过程从这些文本中生成输入和标签。更确切地说，它以两个目标进行预训练：

• 掩码语言模型（MLM）：给定一个（扁平化的）表格和相关上下文，模型随机掩码输入中15%的单词，然后将整个（部分掩码的）序列输入模型。模型必须预测被掩码的单词。这与传统的循环神经网络（RNN）不同，RNN通常逐个处理单词，也与像GPT这样的自回归模型不同，后者在内部掩码未来的标记。这使得模型能够学习表格和相关文本的双向表示。
• 中间预训练：为了鼓励在表格上进行数值推理，作者通过创建数百万个语法生成的训练示例的平衡数据集，额外对模型进行了预训练。在这里，模型必须预测（分类）一个句子是否得到表格内容的支持或反驳。训练示例基于合成语句和反事实语句创建。

通过这种方式，模型学习了表格和相关文本中使用的英语的内部表示，然后可以用于提取对下游任务有用的特征，例如回答关于表格的问题，或确定一个句子是否被表格内容所蕴含或反驳。微调是通过在预训练模型之上添加一个单元格选择头，然后在SQA上联合训练这个随机初始化的分类头和基础模型来完成的。

预期用途和局限性

你可以使用此模型在对话场景中回答与表格相关的问题。有关代码示例，请参考Hugging Face网站上TAPAS的文档。

训练过程

预处理

文本使用WordPiece进行小写处理和分词，词汇表大小为30,000。模型的输入形式如下：

[CLS] 问题 [SEP] 扁平化表格 [SEP]

微调

该模型在32个Cloud TPU v3核心上进行了200,000步的微调，最大序列长度为512，批量大小为128。在这种设置下，微调大约需要20小时。使用的优化器是Adam，学习率为1.25e-5，热身比例为0.2。添加了归纳偏置，使得模型仅选择同一列的单元格。这反映在 TapasConfig 的 select_one_column 参数中。另请参阅原始论文的表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/},
}

📄 许可证

本模型采用Apache-2.0许可证。