基于表格事实核查（TabFact）微调的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GitHub仓库中的tapas_tabfact_inter_masklm_base_reset检查点。该模型先经过MLM预训练和作者称为"中间预训练"的附加步骤，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）。

另一个非默认版本采用绝对位置嵌入：

• no_reset版本，对应tapas_tabfact_inter_masklm_base

免责声明：TAPAS发布团队未编写此模型卡，本模型卡由Hugging Face团队及贡献者撰写。

模型描述

TAPAS是基于Transformer架构的类BERT模型，通过自监督方式在维基百科英文表格数据上预训练。这意味着它仅通过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），采用自动流程生成输入和标签。具体预训练目标包括：

• 掩码语言建模（MLM）：将（扁平化的）表格及上下文输入中15%的词汇随机掩码，模型需预测被掩词汇。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及文本的双向表征。
• 中间预训练：为增强表格数值推理能力，作者基于数百万合成训练样本构建平衡数据集进行额外预训练。模型需判断句子是否被表格内容支持或反驳，训练样本包含合成陈述与反事实陈述。

通过这种方式，模型学习到表格及相关英语文本的内部表征，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含关系判定。微调时在预训练模型顶部添加分类头，与基础模型在TabFact上联合训练。

应用场景与限制

该模型适用于判断句子是否被表格内容支持或反驳。代码示例参见HuggingFace官网TAPAS文档。

训练流程

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] 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。

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}
}

@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}
}