language: zh tags:

• tapas
• table-question-answering license: apache-2.0 datasets:
• wikitablequestions

基于WikiTable Questions (WTQ)微调的TAPAS迷你模型

该模型有两个可用版本。默认版本对应原版Github仓库中的tapas_wtq_wikisql_sqa_inter_masklm_mini_reset检查点。该模型在MLM及作者称为中间预训练（intermediate pre-training）的额外步骤上进行预训练，随后依次在SQA、WikiSQL和WTQ上链式微调。它采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一个（非默认）可选版本为：

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

免责声明：发布TAPAS的团队未为此模型编写模型卡，故本模型卡由Hugging Face团队及贡献者撰写。

性能结果

模型描述

TAPAS是一种类似BERT的Transformer模型，通过自监督方式在维基百科英文表格数据的大规模语料上进行预训练。这意味着它仅基于原始表格及关联文本进行预训练，无需人工标注（因此可利用大量公开数据），通过自动流程从文本生成输入和标签。具体而言，其预训练包含两个目标：

• 掩码语言建模（MLM）：给定（扁平化的）表格及上下文，模型随机遮蔽15%的输入词汇，随后处理整个（部分遮蔽的）序列。模型需预测被遮蔽的词汇。这与传统RNN逐词处理或GPT等自回归模型内部遮蔽未来词不同，使模型能学习表格及关联文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者通过合成数百万平衡训练样本进一步预训练模型。此阶段模型需判断句子是否被表格内容支持或反驳，训练样本基于合成及反事实陈述生成。

通过这种方式，模型学习到表格及相关英文文本的内部表征，可用于下游任务特征提取，如表格问答或句子与表格内容的蕴涵判断。微调时在预训练模型顶部添加单元格选择头和聚合头，将这些随机初始化的分类头与基础模型在SQA、WikiSQL和WTQ上联合训练。

使用场景与限制

该模型适用于表格相关问答任务。代码示例请参阅HuggingFace官网的TAPAS文档。

训练流程

预处理

文本经小写化处理，并使用30,000词表的WordPiece分词。模型输入格式为：

[CLS] 问题 [SEP] 扁平化表格 [SEP]

作者首先通过自动转换脚本将WTQ数据集转为SQA格式。

微调

模型在32个Cloud TPU v3核心上微调50,000步，最大序列长度512，批量大小512。此配置下微调约需10小时，使用Adam优化器（学习率1.93581e-5，预热比例0.128960）。添加归纳偏置使模型仅选择同列单元格，这体现于TapasConfig的select_one_column参数。详见论文（表11和12）。

BibTeX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}
}