基于WikiTable Questions (WTQ)微调的TAPAS基础模型

该模型有两个可用版本。默认版本对应原始Github仓库中的tapas_wtq_wikisql_sqa_inter_masklm_base_reset检查点。该模型首先通过MLM和作者称为中间预训练的阶段进行预训练，随后在SQA、WikiSQL和WTQ上进行了链式微调。它采用了相对位置嵌入（即在表格每个单元格重置位置索引）。

另一个（非默认）可用版本是：

• no_reset，对应tapas_wtq_wikisql_sqa_inter_masklm_base（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片，本模型卡片由Hugging Face团队和贡献者编写。

结果

模型描述

TAPAS是一个类似BERT的Transformer模型，通过自监督方式在维基百科英文表格数据上进行大规模预训练。这意味着它仅使用原始表格和相关文本进行预训练，无需人工标注（因此可利用大量公开数据），通过自动过程从文本生成输入和标签。具体而言，它通过两个目标进行预训练：

• 掩码语言建模(MLM)：给定（扁平化的）表格和相关上下文，模型随机掩码15%的输入词，然后处理整个（部分掩码的）序列。模型需预测被掩码的词语。这与传统RNN逐个处理词语或GPT等自回归模型内部掩码未来标记不同，使模型能学习表格及相关文本的双向表示。
• 中间预训练：为增强表格数值推理能力，作者额外通过数百万个语法生成的平衡训练样本进行预训练。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，模型学习表格及相关英文文本的内部表示，可用于提取下游任务（如表格问答或判断句子是否被表格内容蕴含）所需的特征。微调时在预训练模型顶部添加单元格选择头和聚合头，然后在SQA、WikiSQL和WTQ上联合训练这些随机初始化的分类头与基础模型。

预期用途与限制

该模型可用于回答与表格相关的问题。代码示例请参阅HuggingFace网站上的TAPAS文档。

训练过程

预处理

文本经小写处理和WordPiece分词（词汇量30,000）。模型输入格式为：

[CLS] 问题 [SEP] 扁平化表格 [SEP]

作者首先使用自动转换脚本将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。此设置下微调约需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条目及引用信息

@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}
}