TAPAS基础模型

该模型提供两个可用版本。默认的最新版本对应原始GitHub仓库中的tapas_inter_masklm_base_reset检查点。该模型经过MLM预训练及作者称为"中间预训练"的附加步骤，默认采用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一非默认版本采用绝对位置嵌入：

• revision="no_reset"，对应tapas_inter_masklm_base

免责声明：TAPAS发布团队未提供本模型卡片，当前内容由Hugging Face团队及贡献者撰写。

模型描述

TAPAS是基于BERT架构的Transformer模型，通过自监督方式在维基百科英文表格数据上进行预训练。其预训练过程完全基于原始表格及关联文本，无需人工标注（因此可利用大量公开数据），通过自动化流程生成输入与标签。具体包含两个预训练目标：

• 掩码语言建模（MLM）：将（扁平化处理的）表格及上下文文本中15%词汇随机掩码后输入模型，要求预测被掩词汇。与传统RNN逐词处理或GPT类自回归模型不同，该方法使模型能学习表格与文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者基于数百万条合成训练样本构建平衡数据集进行二次预训练。模型需判断陈述是否被表格内容支持或反驳，训练样本包含合成陈述与反事实陈述。

通过这种预训练，模型可掌握表格及相关英文文本的内部表征，适用于下游任务如表格问答或陈述验证。实际应用时需在预训练模型顶部添加分类头，联合训练随机初始化的分类层与基础模型。

应用场景与限制

原始模型可用于获取表格-问题对的隐藏表征，但主要适用于下游任务微调，如问答或序列分类。请查阅模型中心寻找相关任务的微调版本。

训练流程

数据预处理

文本经小写转换和WordPiece分词（词表大小30,000），输入格式为：

[CLS] 句子 [SEP] 扁平化表格 [SEP]

预训练

模型在32个Cloud TPU v3核心上训练1,000,000步，最大序列长度512，批次大小512。仅MLM预训练耗时约3天，后续增加表格蕴含任务预训练。详见原始TAPAS论文及后续研究。

优化器采用Adam（学习率5e-5，预热比例0.01）。

文献引用

@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}
}