基于表格事实核查（TabFact）微调的TAPAS大型模型

该模型有两个可用版本。默认的最新版本对应原始GitHub仓库中的tapas_tabfact_inter_masklm_large_reset检查点。该模型在MLM（掩码语言建模）和作者称为"中间预训练"的额外步骤上进行预训练，然后在TabFact数据集上微调。默认使用相对位置嵌入（即在表格每个单元格重置位置索引）。

另一个（非默认）版本使用绝对位置嵌入：

• no_reset版本，对应tapas_tabfact_inter_masklm_large

免责声明：发布TAPAS的团队未为此模型编写模型卡，本模型卡由Hugging Face团队和贡献者编写。

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预训练。这意味着它仅使用原始表格及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），通过自动流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）表格及上下文，模型随机掩码15%的输入词汇，然后处理整个（部分掩码的）序列，预测被掩码的词汇。与传统RNN逐个处理词汇或GPT等自回归模型不同，这种方法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，作者额外使用数百万条合成训练样例进行预训练。模型需判断句子是否被表格内容支持或反驳，训练样例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（如表格问答或句子与表格内容验证）所需的特征。通过在预训练模型顶部添加分类头，并与基础模型在TabFact上联合训练完成微调。

使用场景与限制

该模型可用于判断句子是否被表格内容支持或反驳。代码示例请参阅HuggingFace官网的TAPAS文档。

训练流程

预处理

文本经小写转换后使用30,000词汇量的WordPiece分词器处理。模型输入格式为：

[CLS] 句子 [SEP] 扁平化表格 [SEP]

微调

模型在32个Cloud TPU v3核心上微调80,000步，最大序列长度512，批量大小512。此配置下微调耗时约14小时，使用Adam优化器（学习率2e-5，预热比例0.05）。详见论文附录A2。

参考文献

@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{2019TabFactA,
  title={TabFact : A Large-scale Dataset for Table-based Fact Verification},
  author={Wenhu Chen, Hongmin Wang, Jianshu Chen, Yunkai Zhang, Hong Wang, Shiyang Li, Xiyou Zhou and William Yang Wang},
  booktitle = {International Conference on Learning Representations (ICLR)},
  address = {Addis Ababa, Ethiopia},
  month = {April},
  year = {2020}
}