- Descrizione :
Adversarial NLI (ANLI) è un set di dati di riferimento NLI su larga scala, raccolto tramite una procedura iterativa e contraddittoria umana e modello nel ciclo.
Documentazione aggiuntiva : Esplora documenti con codice
Pagina iniziale : https://github.com/facebookresearch/anli
Codice sorgente :
tfds.datasets.anli.Builder
Versioni :
-
0.1.0
(impostazione predefinita): nessuna nota di rilascio.
-
Dimensione del download :
17.76 MiB
Auto-cache ( documentazione ): Sì
Struttura delle caratteristiche :
FeaturesDict({
'context': Text(shape=(), dtype=string),
'hypothesis': Text(shape=(), dtype=string),
'label': ClassLabel(shape=(), dtype=int64, num_classes=3),
'uid': Text(shape=(), dtype=string),
})
- Documentazione delle funzionalità :
Caratteristica | Classe | Forma | Tipo D | Descrizione |
---|---|---|---|---|
CaratteristicheDict | ||||
contesto | Testo | corda | ||
ipotesi | Testo | corda | ||
etichetta | ClassLabel | int64 | ||
fluido | Testo | corda |
Chiavi supervisionate (Vedi
as_supervised
doc ):None
Figura ( tfds.show_examples ): non supportato.
Citazione :
@inproceedings{Nie2019AdversarialNA,
title = "Adversarial NLI: A New Benchmark for Natural Language Understanding",
author = "Nie, Yixin and
Williams, Adina and
Dinan, Emily and
Bansal, Mohit and
Weston, Jason and
Kiela, Douwe",
year="2019",
url ="https://arxiv.org/abs/1910.14599"
}
anli/r1 (configurazione predefinita)
Descrizione della configurazione : Round One
Dimensione del set di dati:
9.04 MiB
Divisioni :
Diviso | Esempi |
---|---|
'test' | 1.000 |
'train' | 16.946 |
'validation' | 1.000 |
- Esempi ( tfds.as_dataframe ):
anli/r2
Descrizione della configurazione : Round Two
Dimensione del set di dati:
22.39 MiB
Divisioni :
Diviso | Esempi |
---|---|
'test' | 1.000 |
'train' | 45.460 |
'validation' | 1.000 |
- Esempi ( tfds.as_dataframe ):
anli/r3
Descrizione della configurazione : Round Three
Dimensione del set di dati:
47.03 MiB
Divisioni :
Diviso | Esempi |
---|---|
'test' | 1.200 |
'train' | 100.459 |
'validation' | 1.200 |
- Esempi ( tfds.as_dataframe ):